Este artículo propone un método para introducir robustez adversarial y mejorar el rendimiento de los modelos de análisis de supervivencia (SA) mediante redes neuronales (NN). Si bien las redes neuronales se utilizan para superar las limitaciones de los modelos lineales generalizados convencionales, que a menudo no logran capturar patrones de datos complejos, proponemos una función de pérdida basada en regularización adversarial para abordar la degradación del rendimiento causada por la incertidumbre de los datos. Utilizamos la técnica CROWN-IBP para reducir el coste computacional del problema de optimización min-max. Los resultados experimentales, utilizando 10 conjuntos de datos SurvSet, demuestran que el método propuesto (SAWAR) supera a los métodos de aprendizaje adversarial existentes y a los modelos SA profundos de vanguardia en términos de métricas NegLL, IBS y CI, logrando una mejora del rendimiento de hasta un 150 % con respecto a los modelos de referencia. Esto demuestra que el método propuesto mitiga la incertidumbre de los datos y mejora la generalización en diversos conjuntos de datos.
