L’analyse des trajectoires a récemment fait l’objet d’une attention croissante dans le domaine de la santé en raison d’une progression importante du volume de données de suivi individuel des patients. L’identification des typologies de trajectoires de soins devient ainsi un défi majeur dans la perspective d’une médecine personnalisée. Cependant, cette tâche devient plus difficile lorsque les données des trajectoires sont complexes, imprécises et subjectives. Elle est d’autant plus ardue lorsque les informations médicales sont représentées par une série temporelle discrète auto-déclarée. Dans cette étude, nous étendons l’analyse séquentielle multicanal à l’extraction de trajectoires séquentielles décrites par des séries temporelles discrètes, couvrant différents aspects de la douleur chronique. De plus, nous exploitons les avantages du clustering relationnel flou basé sur de multiples matrices de distance. Nous proposons une approche de clustering basée sur la distance qui intègre l’extraction de séquences de traitement discrètes, le calcul de relations de dissimilarité entre paires de séquences et le clustering relationnel collaboratif souple. Cette méthode a été appliquée à des données réelles issues d’une étude de suivi quotidien de patients souffrant de douleurs chroniques en France. Les résultats indiquent que cette approche améliore l’interprétabilité des typologies de trajectoires identifiées pour les professionnels de la santé et permet de considérer simultanément plusieurs dimensions intervenant dans une trajectoire de soins, facilitant ainsi la mise à l’échelle.