Les modèles capables de prédire l'occurrence d'événements à l'avance avec des taux faibles de fausses alertes sont essentiels à l'acceptation des systèmes d'aide à la décision dans la communauté médicale. Cette tâche complexe est généralement traitée comme une simple classification binaire, ignorant les dépendances temporelles entre les échantillons, alors que nous proposons d'exploiter cette structure. Nous introduisons d'abord un cadre théorique commun unifiant l'analyse de survie dynamique et la prédiction précoce des événements. Après une analyse des objectifs issus des deux domaines, nous proposons le Lissage Temporel des Étiquettes (TLS), une méthode plus simple mais offrant les meilleures performances qui préserve la monotonie des prédictions au fil du temps. En se concentrant sur les zones présentant un signal prédictif plus fort, TLS améliore les performances par rapport à toutes les méthodes de base sur deux tâches de référence à grande échelle. Les gains sont particulièrement notables selon des mesures cliniquement pertinentes, telles que le rappel des événements à faible taux de fausses alertes. Le TLS réduit le nombre d'événements manqués jusqu'à un facteur de deux par rapport aux approches précédemment utilisées pour la prédiction précoce des événements.