Les effets indésirables des médicaments sont le plus souvent découverts après l'autorisation de mise sur le marché de ces médicaments. La pharmacovigilance consiste alors a détecter le plus précocement possible l'existence d'associations entre médicaments et événements indésirables. Dans cette optique, des méthodes statistiques exploratoires (IC, Bate et al., 1998 ; GPS, Dumouchel, 1999...) sont développées depuis une vingtaine d' années. Cependant, ces méthodes sont limitées par l'utilisation de données agrégées (tableau de contingence), ce qui présume d'une homogénéité des individus a l'origine des notifications. Or il est raisonnable de supposer une certaine hétérogénéité dans la population étudiée. L'objectif est donc de proposer une alternative a ces méthodes intégrant cette dimension hétérogène du problème grâce à l'étude des données individuelles peu informatives, produisant des matrices creuses. Dans ce cadre, en adaptant le modèle des blocs latents (Govaert et Nadif, 2008), nous proposons un nouveau modèle statistique qui fournit une classification simultanée des lignes et des colonnes de deux tableaux de données binaires en leur imposant le même classement en ligne. Il permet alors d'établir des classes d'individus selon leur profil médicamenteux et des sous-groupes d'effets et de médicaments en interaction. Dans cet exposé, nous présenterons le modèle et montrerons la nouveauté de cette approche en pharmacovigilance. Nous donnerons des conditions suffisantes pour obtenir son identifiabilité et nous l' expérimenterons sur des matrices simulées creuses ou non.