En la investigación biomédica, identificar genes asociados con enfermedades es de suma importancia. Sin embargo, solo una pequeña fracción de genes está relacionada con enfermedades específicas entre la multitud de genes. Por lo tanto, la selección y estimación de genes son necesarias, y el modelo de tiempo de falla acelerado se utiliza a menudo para abordar tales problemas. Por lo tanto, este artículo presenta un método para la identificación estructural y la estimación de parámetros basado en un modelo de tiempo de falla acelerado aditivo no paramétrico para datos censurados. La estimación regularizada y la selección de variables se logran utilizando el método de penalización Group MCP. El componente no paramétrico del modelo se aproxima utilizando funciones de base B-spline, y se emplea un algoritmo de descenso de coordenadas de grupo para resolver el modelo. Este enfoque identifica de manera efectiva tanto factores lineales como no lineales en el modelo. La estimación de penalización de Group MCP exhibe consistencia y propiedades de oráculo bajo condiciones de regularización, lo que significa que el conjunto de variables seleccionadas tiende a tener una probabilidad de aproximarse a 1 e incluye asintóticamente los factores predictivos reales. Simulaciones numéricas y un análisis de datos de cáncer de pulmón demuestran que el método Group MCP supera al método Group Lasso en cuanto a rendimiento predictivo, con el algoritmo propuesto mostrando tasas de convergencia más rápidas.