Desde el punto de vista médico, el estudio y análisis del sistema cardiovascular humano por medio de metodologías de modelado y simulación es de gran relevancia porque permite a los doctores adquirir un mejor conocimiento de la fisiología cardiovascular, pudiendo ofrecer un diagnóstico más preciso y seleccionar la terapia más adecuada. El sistema cardiovascular humano está conformado por el sistema hemodinámico y el Sistema Nervioso Central (CNS). El CNS genera las señales que son trasmitidas desde el cerebro al corazón y a los vasos sanguíneos, controlando al sistema hemodinámico. Estas señales de regulación actúan sobre el corazón y el lecho vascular para mantener un apropiado flujo de sangre siguiendo los cambios de requerimientos del sistema hemodinámico en cada período de tiempo. En esta investigación se identifican los modelos del CNS para pacientes con enfermedades coronarias por medio de una metodología de Soft Computing denominada Razonamiento Inductivo Difuso (FIR), la cual es una herramienta muy útil para modelar y simular aquellos sistemas de los cuales no hay conocimiento previo disponible o éste es muy escaso. Es sabido que las variaciones en las funciones de pertenencia tienen un efecto en la eficiencia de los sistemas basados en reglas difusas. La metodología FIR no es una excepción. La eficiencia de los procesos de identificación del modelado cualitativo y de predicción de FIR está muy influenciada por los parámetros de discretización de las variables del sistema, es decir, del número de clases de cada variable y de las funciones de pertenencia que definen su semántica. Es por ello que en este trabajo se presenta una metodología híbrida, un nuevo sistema genético difuso en el contexto de la metodología FIR, para sugerir globalmente y de una manera automática los parámetros de discretización adecuados. Los componentes principales del método son también descritos en detalle.