Nous développons une méthode bayésienne pour évaluer l'hypothèse des risques proportionnels (PH) dans les modèles conjoints de biomarqueurs longitudinaux et de résultats en termes de temps jusqu'à l'événement. Les analyses séparées pouvant souffrir de biais dus à des erreurs de mesure, des données manquantes et une hétérogénéité non observée, les modèles conjoints sont largement utilisés ; ils relient les mesures répétées et les processus de survie par le biais de trajectoires latentes afin de produire des inférences plus fiables. Une exigence clé du modèle de Cox dans la composante de survie est l'hypothèse PH, selon laquelle les coefficients de régression restent invariables dans le temps. Le non-respect de cette hypothèse peut conduire à des conclusions trompeuses. Notre approche permet à ces coefficients de varier dans le temps et utilise l'inférence a posteriori pour déterminer les écarts par rapport à la proportionnalité, fournissant ainsi un cadre bayésien formel et flexible pour évaluer l'hypothèse PH. Des études en simulation montrent que la méthode détecte de manière fiable les violations de l'hypothèse PH tout en conservant une forte précision d'estimation et une couverture d'intervalle crédible.