Al modelar datos de tiempo hasta el evento con supervivientes a largo plazo, el modelo de riesgos proporcionales es ampliamente utilizado por su fácil e directa interpretación, así como la flexibilidad para acomodar la información pasada y permitir predictores variables en el tiempo. Esto se vuelve más relevante cuando la mortalidad de los individuos converge con el tiempo, y la estimación e inferencia basada en el modelo de probabilidades proporcionales a menudo puede producir resultados más precisos y razonables que el clásico modelo de riesgos proporcionales de Cox. Junto con el rápido desarrollo de las tecnologías de ciencia de datos, existen desafíos computacionales para datos de supervivencia con un tamaño de muestra creciente y una dimensión de parámetro divergente. Actualmente, los métodos existentes para analizar dichos datos son inconvenientes computacionalmente. En este documento, proponemos métodos computacionales eficientes para analizar datos de supervivencia en el modelo de probabilidades proporcionales, donde se combina el enfoque de máxima verosimilitud no paramétrica con el algoritmo de minimización-maximización (MM) y el esquema de regularización para obtener procedimientos de estimación e inferencia rápidos y precisos. También se proporciona una ilustración de la metodología utilizando extensos estudios de simulación y luego la aplicación a los datos de cáncer de pulmón de la Administración de Veteranos.