La minería de patrones frecuentes es un método fundamental para la minería de datos, aplicable en el análisis de cestas de mercado, sistemas de recomendación y análisis académico. Algoritmos ampliamente adoptados y fundamentales como Apriori y FP-Growth, que representan los enfoques estándar en la minería de patrones frecuentes, enfrentan limitaciones relacionadas con la generación de conjuntos de candidatos y el uso de memoria, especialmente cuando se aplican a conjuntos de datos relacionales extensos. Este trabajo presenta el algoritmo de Patrones Frecuentes Consultados Recursivamente (RQFP), un enfoque basado en SQL que utiliza consultas recursivas en Tablas de Minería relacionales para detectar conjuntos de ítems frecuentes sin necesidad de desarrollo explícito de candidatos. El algoritmo fue implementado utilizando un Microsoft SQL Server y se demostró a través de una interfaz de aplicación web desarrollada a medida en C#. RQFP facilita la integración sencilla con sistemas de bases de datos y mejora la interpretabilidad de los resultados. Análisis comparativos de Apriori y FP-Growth en un conjunto de datos académico revelan una eficacia competitiva, acompañada de requisitos de memoria reducidos y mayor claridad en la extracción de patrones. El artículo contextualiza aún más RQFP utilizando conjuntos de datos de referencia de la literatura anterior y delinea una hoja de ruta para futuras evaluaciones en datos de salud y comercio minorista. La implementación existente es educativa, aunque la técnica demuestra el potencial para la minería de patrones escalable y nativa de bases de datos.