La pharmacovigilance consiste à détecter le plus précocement possible l’existence d’associations entre médicaments et événements indésirables. Dans cette optique, des méthodes statistiques exploratoires de la base de notifications spontanées sont développées depuis une vingtaine d’années. Ces méthodes prennent en compte des données agrégées (tableau de contingence), ce qui suppose une homogénéité des individus à l’origine des notifications. Or il est raisonnable de supposer une certaine hétérogénéité dans la population étudiée. De plus, les matrices de données individuelles étant très grandes en taille, il est nécessaire de limiter le nombre de médicaments et d’effets indésirables auxquels on s’intéresse. Nous proposons alors l’utilisation du modèle des blocs latents sur tableau de contingence qui permettra de sélectionner des sous-groupes d’effets et de médicaments en interaction. Dans cet exposé, nous expliciterons le modèle des blocs latents sur tableau de contingence ainsi que les algorithmes utilisés pour l’estimation des paramètres du modèle. Ensuite, nous proposerons des critères de sélection de ce modèle et une procédure basée sur des initialisations récursives des algorithmes pour contourner le problème des données volumineuses. Enfin, nous présenterons les résultats obtenus sur les données simulées et réelles