La adecuación y eficacia de algoritmos simples e híbridos de aprendizaje automático e Inteligencia Computacional fueron evaluados para la clasificación de posibles pacientes con cáncer de próstata en dos categorías distintas, el grupo de alto y bajo riesgo para el CP. La evaluación se basa en datos sustitutos generados aleatoriamente para el biomarcador PSA, considerando que los datos epidemiológicos reportados indicaron que los valores de PSA siguen una distribución lognormal. Además, se consideraron cuatro biomarcadores más, a saber, PSAD (densidad de PSA), PSAV (velocidad de PSA), relación de PSA y evaluación del Examen Rectal Digital (DRE), así como la edad del paciente. Siete algoritmos simples de clasificación, a saber, Árboles de Decisión, Bosques Aleatorios, Máquinas de Vectores de Soporte, Vecinos Más Cercanos, Regresión Logística, Bayes Ingenuo y Redes Neuronales Artificiales, fueron evaluados en términos de precisión de clasificación. Además, se desarrollaron tres algoritmos híbridos e introducidos en el trabajo actual, donde los Algoritmos Genéticos se utilizaron como técnica de búsqueda metaheurística para optimizar el conjunto de entrenamiento, en términos de minimizar su tamaño, para dar una precisión de clasificación óptima para los algoritmos simples, incluido Vecinos Más Cercanos, un algoritmo de agrupamiento de K-medias y un algoritmo de agrupamiento genético. Los resultados indicaron que los casos de cáncer de próstata pueden clasificarse con alta precisión, incluso mediante el uso de conjuntos de entrenamiento pequeños, con tamaños que podrían ser incluso más pequeños que el 30% del conjunto de datos. Numerosos experimentos computacionales indicaron que la minimización propuesta del conjunto de entrenamiento no causa sobreajuste de los algoritmos híbridos. Finalmente, se implementó una Interfaz Gráfica de Usuario (GUI) fácil de usar, que incorpora todos los algoritmos evaluados y el procedimiento de toma de decisiones.