La selección de características (FS) se considera comúnmente como una estrategia de preprocesamiento para determinar el mejor subconjunto de características de una colección dada de características. Aquí, se introduce por primera vez una novedosa técnica de optimización de tropa artificial discreta de gorilas (DAGTO) para manejar tareas de FS en el sector de la salud. Dependiendo del número y tipo de funciones objetivas, se implementan cuatro variantes del método propuesto en este artículo, a saber: (1) de objetivo único (SO-DAGTO), (2) de dos objetivos (envoltura) (MO-DAGTO1), (3) de dos objetivos (filtro envoltura híbrido) (MO-DAGTO2) y (4) de tres objetivos (filtro envoltura híbrido) (MO-DAGTO3) para identificar características relevantes en el diagnóstico de una enfermedad en particular. Proporcionamos una destacada estrategia de inicialización de gorilas basada en la información mutua de etiquetas (MI) con el objetivo de aumentar la variedad de la población y acelerar la convergencia. Para verificar el rendimiento de los métodos presentados, se toman en consideración diez conjuntos de datos médicos, que son de dimensiones variables. También se implementa una comparación entre el mejor de los cuatro enfoques sugeridos (MO-DAGTO2) y cuatro estrategias establecidas de FS multiobjetivo, y se demuestra estadísticamente que es el superior. Finalmente, se realiza un estudio de caso con muestras de COVID-19 para extraer los factores críticos relacionados con él y demostrar cómo este método es fructífero en aplicaciones del mundo real.