El análisis de supervivencia es una técnica estadística crucial utilizada para estimar la duración anticipada hasta que ocurre un evento específico. Sin embargo, los métodos actuales a menudo implican discretizar la escala de tiempo y tienen dificultades para gestionar características ausentes en los datos. Esto se vuelve especialmente pertinente ya que los eventos pueden ocurrir en cualquier momento, lo que convierte el análisis de eventos en una preocupación continua. Además, la presencia de atributos faltantes en los datos tabulares es generalizada. Aprovechando los desarrollos recientes de Transformer y Aprendizaje Auto-Supervisado (SSL), introducimos SSL-SurvFormer. Esto implica una red Transformer continuamente monótona, potenciada por el preentrenamiento SSL, que está diseñada para abordar los desafíos presentados por eventos continuos y características ausentes en la predicción de supervivencia. Nuestro modelo Transformer continuamente monótono propuesto facilita la estimación precisa de probabilidades de supervivencia, eludiendo así la necesidad de discretización temporal. Además, nuestra estrategia de preentrenamiento SSL incorpora transformación de datos para gestionar hábilmente la información faltante. El preentrenamiento SSL abarca dos tareas: predicción de máscara, que identifica posiciones de características ausentes, y reconstrucción, que se esfuerza por recuperar elementos ausentes basándose en los observados. Nuestras evaluaciones empíricas realizadas en una variedad de conjuntos de datos, incluidos FLCHAIN, METABRIC y SUPPORT, destacan consistentemente el rendimiento superior de SSL-SurvFormer en comparación con los métodos existentes. Además, SSL-SurvFormer demuestra efectividad en el manejo de valores faltantes, un aspecto crítico que a menudo se encuentra en conjuntos de datos del mundo real.