El problema del punto de cambio consiste en identificar cuándo cambia un patrón o tendencia en datos ordenados en el tiempo. En el análisis de supervivencia, la detección de puntos de cambio se centra en identificar alteraciones en la distribución de datos de tiempo hasta el evento, que pueden estar sujetos a censura o truncamiento. En este artículo, introducimos un punto de cambio en la tasa de peligro de la distribución log-logística. La distribución log-logística es una distribución de probabilidad flexible utilizada en el análisis de supervivencia, la ingeniería de confiabilidad y la economía. Es particularmente útil para modelar datos de tiempo hasta el evento que muestran tasas de peligro decrecientes. Estimamos los parámetros del modelo propuesto de punto de cambio utilizando la estimación de máxima verosimilitud por perfil. También realizamos un estudio de simulación y un análisis bayesiano utilizando el algoritmo de Metropolis-Hastings para estudiar las propiedades de los estimadores propuestos. El modelo de punto de cambio log-logístico propuesto se aplica a datos de supervivencia de pacientes con catéteres renales y casos de leucemia mieloide aguda (LMA). Un punto de cambio tardío con un parámetro de escala decreciente en los datos del catéter refleja un aumento abrupto en el riesgo debido a complicaciones tardías, mientras que un punto de cambio temprano con un parámetro de escala creciente en la LMA indica una alta mortalidad temprana seguida de una progresión más lenta del peligro en los sobrevivientes. Encontramos que el modelo de punto de cambio log-logístico tiene un mejor rendimiento en comparación con los modelos de punto de cambio existentes.