Ces dernières années, la modélisation hiérarchique bayésienne a connu un essor considérable en épidémiologie géographique. Les principaux modèles développés sont axés autour de la description spatiale et spatio-temporelle des variations du risque d'une ou plusieurs maladies à partir d'une source de recensement unique des cas. Parallèlement, l'analyse de sources de données multiples se développe dans les études épidémiologiques en vue notamment d'améliorer la fiabilité des diagnostics. Dans ce contexte, nous présentons un modèle bayésien à effets aléatoires partagés pour l'analyse jointe des variations spatiales du risque d'une ou plusieurs maladies à partir d'indicateurs de santé multiples. Nous considérons le cas particulier où ces indicateurs sont mesurés à la même échelle géographique et fournissent des mesures du même risque d'intérêt sous-jacent à partir de sources différentes. Le modèle hiérarchique bayésien proposé partage le risque de maladie, non expliqué par des facteurs d'expositions individuels, en un effet spatialement structuré commun aux différentes sources d'information et un effet non-structuré spécifique qui contrôle les éventuelles dissimilarités entre sources. Nous avons appliqué ce modèle à l'analyse jointe des variations spatiales du risque de tremblante du mouton au Pays de Galles à partir de deux sources de surveillance des cas d'infection. Nous avons également estimé l'effet de plusieurs facteurs d'exposition susceptibles d'expliquer ces variations. Enfin, nous avons utilisé ce cas d'étude pour illustrer les avantages d'une analyse jointe par rapport à une analyse séparée de sources de données multiples.