مدل مخاطرات متناسب کاکس از روش های متداول در تحلیل داده های بقا می باشد که در هنگام استفاده از داده هایی با ابعاد بالا همگرا نشده و کارایی لازم برای برآورد را ندارد. به این منظور برای داده هایی با ابعاد بالا مدل کرنل کاکس جایگزین آن می شود. ماشین بردار پشتیبانی زیرمجموعه ای از تکنیک های داده کاوی است که توانایی کار با داده هایی با ابعاد بالا را دارد و همچنین نیازی به بررسی پیش فرض بر روی داده ها ندارد. این تکنیک با تغییراتی در تابع هدف و قیود توانایی کار با داده های سانسور شده از جنس داده های بقا را نیز داشته و اصطلاحاً ماشین بردار پشتیبانی بقا نامیده می شود. هدف این پژوهش بررسی دقت و کارایی ماشین بردار پشتیبانی بقا با مدل سنتی کاکس در داده هایی با ابعاد بالا می باشد. برای بررسی این هدف در داده های بیان ژنی ابتدا بر اساس آزمون نمره، ژن هایی که دارای بیشترین اثر بر روی زمان بقا هستند، شناسایی شدند. سپس مدل کرنل کاکس و ماشین بردار پشتیبانی بقا با قیود رتبه بندی و رگرسیونی بر روی آن ها اجرا شد. برای تعیین پارامتر جریمه در مدل ها و ارزیابی هر سه الگوریتم، از روش k-گره اعتبارسنجی متقابل با 30 مرتبه اجرا استفاده شد. پس از تعیین پارامتر جریمه، مدل بر روی کل داده ها نیز اجرا و شاخص های ارزیابی در آن ها تعیین شدند.