Modele przetrwania oparte na uczeniu maszynowym i głębokim uczeniu wykazują podobne lub nawet lepsze zdolności przewidywania czasu zdarzenia w porównaniu z klasycznymi metodami uczenia statystycznego, ale są zbyt złożone, aby mogły być interpretowane przez ludzi. Istnieje kilka dostępnych wyjaśnień modeli agnostycznych wobec modelu, aby przezwyciężyć ten problem; jednak żadne z nich nie wyjaśnia bezpośrednio przewidywania funkcji przetrwania. W niniejszej pracy wprowadzamy SurvSHAP(t), pierwsze wyjaśnienie zależne od czasu, które umożliwia interpretację czarnych skrzynek modeli przetrwania. Jest oparte na SHapley Additive exPlanations z solidnymi podstawami teoretycznymi i szerokim uznaniem wśród praktyków uczenia maszynowego. Proponowane metody mają na celu zwiększenie precyzji diagnostyki i wsparcie ekspertów dziedzinowych w podejmowaniu decyzji. Eksperymenty na danych syntetycznych i medycznych potwierdzają, że SurvSHAP(t) może wykrywać zmienne z efektem zależnym od czasu, a jego agregacja jest lepszym wyznacznikiem ważności zmiennych dla przewidywania niż SurvLIME. SurvSHAP(t) jest agnostyczny względem modelu i może być stosowany do wszystkich modeli z funkcjonalnym wyjściem. Zapewniamy dostępną implementację wyjaśnień zależnych od czasu w języku Python pod adresem https://github.com/MI2DataLab/survshap.