Antecedentes: La hipertensión es un problema de salud prevalente, especialmente entre las personas mayores, y está vinculada a múltiples complicaciones. La detección temprana y precisa es crucial para un manejo efectivo. Los métodos de detección tradicionales pueden tener limitaciones en precisión y eficiencia, lo que ha llevado a la exploración de técnicas computacionales avanzadas. Los algoritmos de aprendizaje automático, combinados con métodos de optimización, muestran potencial para mejorar la detección de la hipertensión. Métodos: En 2022, se recopilaron datos de 1460 individuos hipertensos y 1416 no hipertensos de 65 años en adelante en el Departamento de Consulta Externa de Lujingdong del Segundo Hospital de Medicina Tradicional China de Guangdong. Se desarrollaron modelos de Máquina de Vectores de Soporte (SVM) y Máquina de Vectores de Soporte con Optimización de Enjambre de Partículas (PSO-SVM), se validaron utilizando el método de retención y se evaluaron en función de la sensibilidad, especificidad, valor predictivo positivo (VPP), precisión, G-mean, puntuación F1, coeficiente de correlación de Matthews (MCC) y el área bajo la curva (AUC) de la curva característica de operación del receptor (curva ROC). Resultados: El modelo PSO-SVM superó al SVM estándar, especialmente en sensibilidad (93,9%), puntuación F1 (0,838) y AUC-ROC (0,871). Conclusión: El modelo PSO-SVM es efectivo para clasificaciones complejas, especialmente en la detección de hipertensión, proporcionando una base para un diagnóstico y tratamiento tempranos.