La informática de muchas tareas cotidianas genera grandes cantidades de datos, lo que ha llevado al desarrollo de métodos de aprendizaje automático capaces de extraer información útil de los datos para que estos puedan ser utilizados en futuros procesos de toma de decisiones. Durante mucho tiempo, diversos campos, como la medicina (y todas las áreas relacionadas con la salud) y la educación, han mostrado un particular interés en obtener información relevante de estos datos almacenados. Este interés ha dado lugar a la necesidad de abordar problemas cada vez más complejos que implican muchas variables diferentes con un alto grado de interdependencia. Esto genera modelos (y en nuestro caso modelos gráficos probabilísticos) que son difíciles de manejar y que requieren técnicas muy eficientes para almacenar y utilizar la información que cuantifica las relaciones entre las variables del problema. Por lo tanto, ha sido necesario desarrollar estructuras eficientes, como árboles de probabilidad o potenciales basados en valores, para representar la información. Aun así, hay problemas que deben ser tratados mediante aproximaciones, ya que esta es la única forma de obtener resultados, a pesar de la correspondiente pérdida de información. El objetivo de este artículo es mostrar cómo se puede realizar la aproximación con potenciales basados en valores. Nuestro trabajo experimental se basa en comprobar el comportamiento de esta técnica de aproximación en varios problemas relacionados con la medicina, y nuestros experimentos muestran que en algunos casos hay ahorros notables en el espacio de memoria con una pérdida limitada de información.