La minería de reglas de asociación relevantes a partir de bases de datos transaccionales es un proceso fundamental en la minería de datos. Sin embargo, los algoritmos tradicionales suelen basarse en umbrales fijos y en la generación de reglas generales, lo que resulta en resultados grandes y redundantes. Este artículo presenta DERAR (Extracción Dinámica de Reglas de Asociación Relevantes), un enfoque dinámico que integra la minería de patrones estructurales y el filtrado dinámico de múltiples criterios. El proceso comienza con la generación de metapatrones frecuentes. A cada entidad se le asigna una puntuación de estabilidad por su consistencia a través de varias proyecciones de datos, y luego se ordena por información mutua para preservar las dimensiones más informativas. Las reglas de asociación resultantes de estos modelos se filtran a través de un umbral de confianza dinámico que se ajusta según la distribución estadística del conjunto de datos. Una fase final de filtrado semántico identifica reglas con alta coherencia entre el antecedente y el consecuente. Los resultados experimentales muestran que DERAR reduce las reglas en hasta un 85%, mejorando la interpretabilidad y la coherencia. Supera a Apriori, FP-Growth y H-Apriori en calidad de reglas y eficiencia computacional. DERAR logra consistentemente tiempos de ejecución y uso de memoria más bajos, especialmente en conjuntos de datos grandes o dispersos. Estos resultados confirman los beneficios de la minería de reglas adaptativa y guiada semánticamente para generar conocimiento conciso, de alta calidad y accionable.