Este trabajo se centra en el uso de métodos locales de Inteligencia Artificial Explicable (XAI), particularmente la técnica de Explicaciones Basadas en Reglas Locales (LORE), dentro de entornos de salud y médicos. Enfatiza el papel crítico de la interpretabilidad y transparencia en los sistemas de IA para diagnosticar enfermedades, predecir resultados de pacientes y crear planes de tratamiento personalizados. Al reconocer las complejidades y los compromisos inherentes entre la interpretabilidad y el rendimiento del modelo, nuestro trabajo subraya la importancia de los métodos locales de XAI para mejorar los procesos de toma de decisiones en el ámbito de la salud. Al proporcionar información detallada y específica de casos, métodos locales de XAI como LORE mejoran la comprensión de los médicos y pacientes sobre los modelos de aprendizaje automático y sus resultados. Nuestro trabajo revisa contribuciones significativas al XAI local en el ámbito de la salud, destacando su potencial para mejorar la toma de decisiones clínicas, garantizar la equidad y cumplir con estándares regulatorios.