Estimar efectos de tratamiento heterogéneos juega un papel vital en muchas aplicaciones estadísticas, como la medicina de precisión y el marketing de precisión. En este documento, proponemos un nuevo meta-aprendiz, denominado RXlearner para estimar el efecto promedio condicional del tratamiento (CATE) dentro del marco general de los meta-algoritmos. RXlearner mejora el mecanismo de ponderación del tradicional Xlearner para mejorar la precisión de la estimación. Establecemos límites de error no asintóticos para RXlearner bajo un criterio de clasificación de continuidad, asumiendo específicamente que la función de respuesta satisface la continuidad de Hölder. Además, demostramos que estos límites son alcanzables seleccionando un aprendiz base apropiado. La efectividad del método propuesto se valida a través de extensos estudios de simulación y un experimento de datos del mundo real.