Muchas aproximaciones metaheurísticas han sido desarrolladas para seleccionar características efectivas de diferentes conjuntos de datos médicos en un tiempo factible. Sin embargo, la mayoría de ellas no pueden escalar bien a conjuntos de datos médicos grandes, donde no logran maximizar la precisión de la clasificación y al mismo tiempo minimizar el número de características seleccionadas. Por lo tanto, este artículo está dedicado a desarrollar una versión binaria eficiente del algoritmo optimizador de navegación aviar basado en quantum (QANA) denominado BQANA, utilizando la escalabilidad del QANA para seleccionar de manera efectiva el subconjunto óptimo de características de conjuntos de datos médicos de alta dimensionalidad utilizando dos enfoques diferentes. En el primer enfoque, se desarrollan varias versiones binarias del QANA utilizando funciones de transferencia en forma de S, en forma de V, en forma de U, en forma de Z y cuadráticas para mapear las soluciones continuas del QANA canónico a binarias. En el segundo enfoque, el QANA se mapea al espacio binario convirtiendo cada variable en 0 o 1 utilizando un umbral. Para evaluar el algoritmo propuesto, primero, se evalúan todas las versiones binarias del QANA en diferentes conjuntos de datos médicos con tamaños de características variables, incluyendo Pima, HeartEW, Linfografía, SPECT Heart, PenglungEW, Parkinson, Colon, SRBCT, Leucemia y Tumor de Próstata. Los resultados muestran que el BQANA desarrollado por el segundo enfoque es superior a otras versiones binarias del QANA para encontrar el subconjunto de características óptimo de los conjuntos de datos médicos. Luego, el BQANA se comparó con nueve algoritmos metaheurísticos binarios conocidos, y los resultados fueron evaluados estadísticamente utilizando la prueba de Friedman. Los resultados experimentales y estadísticos demuestran que el BQANA propuesto tiene mérito para la selección de características de conjuntos de datos médicos.