Le traitement statistique des données d'épidémiologie analytique vétérinaire vise à déterminer les facteurs de risque d'une maladie ou d'un problème de santé publique vétérinaire. Pour répondre à cet objectif, les modèles linéaires généralisés sont utilisés. Pour le cas où les observations proviennent de différentes sous-populations, ces modèles existent sous forme de modèles sur classes latentes, aussi connus sous le nom de modèles de mélange. Cependant, en épidémiologie vétérinaire notamment, ces méthodes présentent trois principales limites : (i) le nombre d'observations dans une sous-population doit être plus grand que nombre de variables, (ii) les variables doivent présenter une distribution multinormale, et (iii) les variables ne doivent pas présenter de multi-colinéarité marquées, ces hypothèses étant rarement vérifiées en pratique. Nous proposons une extension des modèles sur classes latentes pour le cas d'un grand nombre de variables ne vérifiant pas d'hypothèse distributionnelle. Ces variables peuvent présenter, de plus, la particularité d'être organisées en blocs thématiques. La méthode proposée est appelée régression multibloc sur classes latentes. Elle combine la recherche simultanée de sous-populations au sein des observations, ainsi que de modèles de régression (multibloc) locaux associés à chacune de ces sous-populations. Cette nouvelle méthode est appliquée, à titre d'exemple, à la recherche de marqueurs de risque de l'utilisation des antibiotiques dans des élevages français de lapins. Mots-clés : Epidémiologie analytique, facteurs de risque, modèles de mélange, régression sur classes latentes, utilisation d'antibiotiques, lapin.