La modelización de datos longitudinales (por ejemplo, biomarcadores) y el riesgo de eventos por separado conlleva una pérdida de información y sesgo, a pesar de que los procesos subyacentes están relacionados entre sí. Por lo tanto, la popularidad de los modelos conjuntos para datos longitudinales y de tiempo hasta el evento ha crecido rápidamente en las últimas décadas. Sin embargo, es un desafío práctico especificar a qué parte de un modelo conjunto se deben asignar los covariables individuales, ya que esta decisión generalmente se toma en función del conocimiento previo. En este trabajo, combinamos desarrollos recientes del campo del aumento de gradiente para la regresión de distribución con el fin de construir un procedimiento de asignación que permita a los investigadores asignar automáticamente covariables a los sub-predictores individuales de un modelo conjunto. El procedimiento proporciona varias ventajas conocidas de las herramientas de aprendizaje estadístico basadas en modelos, así como un mecanismo de asignación de alto rendimiento para modelos conjuntos, que se ilustra a través de resultados empíricos de un estudio de simulación y una aplicación biomédica.