Los modelos de predicción de supervivencia juegan un papel clave en el pronóstico del paciente y el tratamiento personalizado. Sin embargo, su precisión puede mejorarse al incorporar redes de similitud entre pacientes, que descubren patrones de datos complejos. Nuestro estudio utiliza Redes Neuronales de Grafos (GNNs) para mejorar las predicciones de supervivencia en tiempo discreto (GNN-surv) aprovechando las relaciones en estas redes. Construimos estas redes utilizando datos genómicos y clínicos de pacientes con cáncer y entrenamos varios modelos de GNN en ellas, integrando modelos de supervivencia de Riesgo Logístico y PMF. Los modelos GNN-surv muestran un rendimiento superior en la predicción de supervivencia en dos conjuntos de datos de cáncer urológico, superando a los modelos tradicionales de MLP. Mantienen la robustez y efectividad bajo diferentes valores de hiperparámetros de construcción de gráficos, con aumentos de rendimiento de hasta 14.6% y 7.9% en el índice de concordancia dependiente del tiempo y reducciones en la puntuación integrada de Brier del 26.7% y 24.1% en los conjuntos de datos BLCA y KIRC, respectivamente. Es importante destacar que estos modelos también mantienen su efectividad en tres tipos diferentes de modelos de GNN, lo que sugiere una adaptabilidad potencial a otros conjuntos de datos de cáncer. El rendimiento superior de nuestros modelos GNN-surv subraya su amplia aplicabilidad en los campos de oncología y medicina personalizada, proporcionando a los médicos una herramienta más precisa para el pronóstico del paciente y la planificación del tratamiento personalizado. Estudios futuros pueden optimizar aún más estos modelos al incorporar otros modelos de supervivencia o modalidades de datos adicionales.