El análisis estadístico de la información generada por el seguimiento médico de una enfermedad es un reto muy importante en el ámbito de la medicina personalizada. A medida que avanza el curso evolutivo de la enfermedad en un paciente, su seguimiento genera cada vez más información que debe ser procesada inmediatamente para revisar y actualizar su pronóstico y tratamiento. Nuestro objetivo en esta tesis se centra en dicho proceso de actualización a través de métodos de inferencia secuencial en modelos conjuntos de datos longitudinales y de supervivencia desde una perspectiva Bayesiana. En concreto, proponemos la utilización de métodos secuenciales de Monte Carlo adaptados a modelos conjuntos con parámetros estáticos (independientes del tiempo) para actualizar la distribución a posteriori de los parámetros, hiperparámetros y efectos aleatorios con la intención de reducir el tiempo de computación en cada actualización del proceso inferencial. Nuestra propuesta es muy general y puede aplicarse de forma muy sencilla a las modelizaciones longitudinales y de supervivencia conjuntas más populares en la literatura científica del tema. Utilizamos dos estudios diferentes para ilustrar nuestra propuesta: (i) un modelo conjunto para datos longitudinales con pérdida de seguimiento informativa simulados a través de un mecanismo novedoso propio y (ii) un modelo conjunto para eventos con riesgo competitivos para un problema real sobre pacientes que reciben ventilación mecánica en unidades de cuidados intensivos.The statistical analysis of the information generated by medical follow-up is a very important challenge in the field of personalised medicine. As the evolutionary course of a patient's disease progresses, its medical follow-up generates more and more information that should be processed immediately in order to review and update its prognosis and treatment. Our objective in this thesis focuses on this update process through sequential inference methods for joint models of longitudinal and time-to-event data from a Bayesian perspective. More specifically, we propose the use of sequential Monte Carlo methods for static parameter joint models in order to update the posterior distribution of the parameters, hyperparameters, and random effects with the intention of reducing computation time in each update of the inferential process. Our proposal is very general and can be easily applied to most popular joint models approaches. We illustrate our research with two different studies: (i) a joint model for longitudinal data with informative dropout simulated through an own novel mechanism, and (ii) a joint model with competing risk events for a real problem about patients receiving mechanical ventilation in intensive care units.