La minería de procesos facilita el descubrimiento, la conformidad y la mejora de los procesos empresariales utilizando registros de eventos. Sin embargo, los registros de eventos incompletos y las complejidades de las actividades concurrentes presentan desafíos significativos para lograr modelos de proceso precisos que cumplan con la condición de completitud requerida en la minería de procesos. Este artículo presenta un algoritmo de Minería de Procesos Genético-Inductivo Temporal (TGIPM), un enfoque novedoso que integra las fortalezas de la Minería de Procesos Genéticos Temporales (TGPM) y la Minería Inductiva (IM). TGPM amplía la Minería de Procesos Genéticos (GPM) tradicional al incorporar análisis basado en el tiempo, mientras que la IM es ampliamente reconocida por producir modelos de proceso sólidos y precisos. Por primera vez, estos dos algoritmos se combinan en un marco unificado para abordar tanto la recuperación de actividades faltantes como la corrección estructural en el descubrimiento de procesos. Este estudio evalúa dos escenarios: un enfoque secuencial, en el que TGPM e IM se ejecutan de manera independiente y secuencial, y el enfoque TGIPM, donde ambos algoritmos se integran en un marco unificado. Los resultados experimentales utilizando registros de eventos del mundo real de un servicio de salud en Indonesia demuestran que TGIPM logra una mayor adecuación, precisión y generalización en comparación con el enfoque secuencial, aunque comprometiendo ligeramente la simplicidad. Además, el algoritmo TGIPM exhibe un menor costo computacional y captura más eficazmente el paralelismo, lo que lo hace particularmente adecuado para conjuntos de datos grandes e incompletos. Esta investigación subraya el potencial de TGIPM para mejorar los resultados de la minería de procesos, ofreciendo un marco robusto para el descubrimiento de procesos preciso y eficiente, al tiempo que impulsa la innovación en los procesos a través de diversas industrias.