Los estudios clínicos a menudo recopilan datos longitudinales y de tiempo hasta el evento para cada sujeto. El modelado conjunto es una metodología poderosa para evaluar la asociación entre estos datos. Sin embargo, los modelos existentes no han abordado suficientemente el problema de los datos faltantes, que comúnmente se encuentran en estudios longitudinales. En este artículo, presentamos un nuevo modelo conjunto con efectos aleatorios compartidos para datos longitudinales incompletos y datos de tiempo hasta el evento. Nuestro modelo conjunto propuesto consta de tres submodelos: un modelo mixto lineal para los datos longitudinales, un modelo de riesgo proporcional de Cox para los datos de tiempo hasta el evento y un modelo de riesgo proporcional de Cox para el tiempo de abandono del estudio. Al estimar simultáneamente los parámetros incluidos en estos submodelos, se espera que los sesgos de los estimadores disminuyan bajo dos escenarios de datos faltantes. Estimamos el modelo propuesto mediante un enfoque bayesiano, y el rendimiento de nuestro método fue evaluado a través de estudios de simulación de Monte Carlo.