En este estudio, proponemos una regresión cuantílica ponderada suavizada (SWQR), que combina el suavizado por convolución con un marco ponderado para abordar las limitaciones. Al suavizar la función de pérdida de regresión cuantílica no diferenciable, SWQR puede mejorar la eficiencia computacional y permitir una estimación del modelo más estable en conjuntos de datos complejos. Construimos un proceso de optimización eficiente basado en algoritmos basados en gradientes al introducir refinamiento de peso y métodos de estimación de parámetros iterativos para minimizar la función de pérdida de regresión cuantílica ponderada suavizada. En los estudios de simulación, comparamos el método propuesto con dos métodos existentes, incluida la regresión cuantílica basada en martingalas (MartingaleQR) y la regresión cuantílica ponderada (WeightedQR). Los resultados enfatizan la superior eficiencia computacional de SWQR, superando a otros métodos, especialmente WeightedQR, al requerir significativamente menos tiempo de ejecución, especialmente en configuraciones con tamaños de muestra grandes. Además, SWQR mantiene un rendimiento robusto, logrando una precisión competitiva y manejando efectivamente los desafíos de la censura derecha, especialmente en cuantiles más altos. Además, ilustramos el método propuesto utilizando un conjunto de datos reales sobre cirrosis biliar primaria, donde exhibe estimaciones de coeficientes estables y un rendimiento robusto en diferentes niveles cuantílicos con diferentes tasas de censura. Estos hallazgos resaltan el potencial de SWQR como un método flexible y robusto para analizar datos censurados en análisis de supervivencia, especialmente en escenarios donde la eficiencia computacional es una preocupación clave.