Este artículo presenta una máquina de vectores de soporte (SVM) interpretable y su aplicación a la evaluación de rehabilitación. Introducimos el concepto de punto de límite más cercano para estandarizar la función de decisión SVM de una clase y determinar la ruta más corta para que los datos de casos anormales se conviertan en aquellos de casos normales. Este enfoque analítico es computacionalmente simple y proporciona una solución única. El punto de límite más cercano de los datos anormales también se puede utilizar para analizar la causa de la clasificación anormal e indicar medidas correctivas para la normalización. Estas propiedades hacen que la SVM interpretable propuesta sea valiosa para aplicaciones de evaluación médica y otros problemas que requieren una consideración cuidadosa de los resultados de clasificación para el tratamiento. Los resultados de simulación y aplicación demuestran la viabilidad y efectividad del método propuesto.