La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo caracterizado por deterioro motor, así como temblores, rigidez y rigidez. Además de la sintomatología motora típica, algunos pacientes con Parkinson experimentan síntomas no motores como hiposmia, estreñimiento, disfunción urinaria, hipotensión ortostática, pérdida de memoria, depresión, dolor y trastornos del sueño. El diagnóstico correcto de la EP no puede ser fácil ya que no hay un enfoque objetivo estándar para ello. Después de la incorporación de algoritmos de aprendizaje automático (ML) en diagnósticos médicos, la precisión de las predicciones de enfermedades ha mejorado. En este trabajo, hemos utilizado tres modelos de redes neuronales en cascada tipo aprendizaje profundo basados en las características de la voz auditiva de pacientes con EP, llamados Redes Neuronales Recurrentes (RNN), Percepción Multicapa (MLP) y Memoria a Corto y Largo Plazo (LSTM), para estimar la precisión del diagnóstico de EP. Se realizó una comparación de rendimiento entre los tres modelos en una muestra de biomarcadores de voz de los sujetos. Los resultados experimentales sugirieron que el modelo LSTM supera a los demás con una precisión del 99%. Este estudio también ha presentado curvas de función de pérdida sobre la relevancia de modelos bien ajustados para la detección de enfermedades neurodegenerativas como la EP.