Ze względu na swoją elastyczność i doskonałe wyniki, modele uczenia maszynowego często uzupełniają i przewyższają tradycyjne statystyczne modele przeżycia. Jednak ich powszechne zastosowanie jest utrudnione przez brak przyjaznych dla użytkownika narzędzi do wyjaśniania ich wewnętrznych operacji i uzasadnienia przewidywań. Aby rozwiązać ten problem, przedstawiamy pakiet survex w języku R, który zapewnia spójne ramy do wyjaśniania dowolnego modelu przeżycia poprzez zastosowanie technik wyjaśnialnej sztucznej inteligencji. Możliwości proponowanego oprogramowania obejmują zrozumienie i diagnozowanie modeli przeżycia, co może prowadzić do ich ulepszania. Dzięki ujawnianiu wglądów w proces podejmowania decyzji, takich wpływ i znaczenie zmiennych, survex umożliwia ocenę niezawodności modeli i wykrywanie uprzedzeń. W ten sposób można promować przejrzystość i odpowiedzialność w wrażliwych obszarach, takich jak badania biomedyczne i zastosowania w opiece zdrowotnej.