El promedio de modelos se ha convertido en una metodología estadística crucial, especialmente en situaciones donde numerosos modelos compiten para elucidar un fenómeno. Durante las últimas dos décadas, ha habido un avance sustancial en la teoría del promedio de modelos. Sin embargo, queda una brecha en el campo con respecto al promedio de modelos en presencia de indicadores de censura faltantes. Por lo tanto, en este documento, presentamos un nuevo método de promedio de modelos para modelos de tiempo de falla acelerado con datos censurados a la derecha cuando faltan indicadores de censura. Los pesos de promedio de modelos se determinan minimizando el criterio de Mallows. Bajo condiciones leves, los pesos calculados exhiben optimalidad asintótica, lo que lleva al estimador de promedio de modelos a lograr el error cuadrático más bajo asintóticamente. Las simulaciones de Monte Carlo demuestran que el método propuesto en este documento tiene errores cuadráticos medios más bajos en comparación con otros métodos de selección y promedio de modelos. Finalmente, realizamos un análisis empírico utilizando el conjunto de datos del mundo real de Leucemia Mieloide Aguda (LMA). Los resultados del análisis empírico demuestran que el método propuesto en este documento supera a los enfoques existentes en términos de rendimiento predictivo.