Les événements récurrents sont fréquents dans les études observationnelles longitudinales, où les décisions thérapeutiques évoluent au fil du temps et dépendent des antécédents du patient. Les approches d'appariement standard ne tiennent pas pleinement compte de l'influence des événements antérieurs sur le début du traitement et les risques futurs. En nous appuyant sur des stratégies d'appariement dynamiques pour les données sur les événements récurrents, nous proposons un cadre tenant compte des antécédents qui aligne les individus traités et non traités au moment du traitement en utilisant à la fois les caractéristiques de base et l'expérience accumulée en matière d'événements. En alignant les sujets traités et les sujets témoins sur la base des covariables de référence et des événements passés, nous améliorons la précision de l'estimation des effets du traitement variant dans le temps. L'estimation est basée sur des équations d'estimation généralisées dérivées de fonctions d'intensité dynamiques qui conditionnent partiellement l'historique. Des études en simulation démontrent une amélioration des performances par rapport aux approches standards qui ignorent l'historique des événements.