Nous proposons une estimation semi-paramétrique d'une fonction de survie S(t) = P(T > t) où T est la durée de vie d'un individu, éventuellement censurée à droite. Classiquement, nous observons des variables Zi = min {Ti, Ci} où les Ci sont les temps de censure indépendants des durées de vie Ti. Notre but est d'obtenir une prédiction des probabilités de survie S(t) au-delà des durées observées, c'est-à-dire pour t > maxZi. Le modèle présenté est choisi dans une famille de modèles qui ont de bonnes propriétés pour cette prédiction tout en étant assez flexibles pour bien ajuster les données observées. Ce modèle peut aussi permettre d'améliorer la qualité de l'estimateur de S(t) pour les valeurs de t inférieures mais relativement « proches » de ce maximum. L'idée principale du modèle est de choisir de façon automatique un seuil u à partir duquel les prévisions pour les durées de vie sont encore fiables. En dessous de ce seuil S(t) est estimée par une méthode complètement non paramétrique, comme celle de Kaplan Meier. Au dessus de ce seuil un modèle paramétrique est choisi, nous utiliserons ici la loi exponentielle. Le choix du seuil u sera assuré par une suite de tests d'ajustement. La méthode est appliquée à des données de « ré-hospitalisation », la durée de vie étant ici le délai écoulé entre une sortie d'un hôpital et une ré-admission pour la même cause médicale.