چکیده: با پیشرفت تکنولوژی در ذخیره سازی داده‌ها، اخیرا در مطالعات کارآزمایی بالینی مه‌داده‌های بقا ظاهر شده‌اند. تعیین متغییرهای موثر در پیش‌بینی زمان فوت در یک بیماری منجر به صرفه‌جویی در هزینه و زمان محاسبات می‌شود و از این رو از اهمیت بسزایی برخوردار است. امروزه در بسیاری از مطالعات پزشکی، از تکنولوژی ریزآرایه‌ها استفاده می‌شود تا بتواند ارتباط بین رفتار ژن‌ها و ویژگی‌های مختلف بیماران بالینی را پیدا کند. در این پایان‌نامه، با به کارگیری توابع جریمه ریج، لاسو و ترکیبی از این دو، الاستیک‌نت، در رگرسیون خطرات متناسب کاکس، مدل مناسب برای پیش‌بینی الگوریتم‌های مختلف معرفی و مورد مقایسه قرار می‌گیرد.