La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo que afecta la función motora, causando a menudo temblores y dificultad para controlar el movimiento. Un método diagnóstico prometedor implica analizar patrones dibujados a mano, como espirales y ondas, que muestran distorsiones características en individuos con EP. Este estudio compara tres enfoques computacionales para clasificar a los individuos como parkinsonianos o sanos en función de características derivadas del dibujo: (1) Modelos de Lenguaje Grande (LLMs), (2) algoritmos de aprendizaje automático (ML) tradicionales, y (3) un método basado en ontologías difusas utilizando conjuntos difusos y Fuzzy-OWL2. Cada método ofrece fortalezas únicas: los LLMs aprovechan el conocimiento preentrenado para la detección sutil de patrones, los algoritmos de ML sobresalen en la extracción de características y precisión predictiva, y las ontologías difusas proporcionan razonamiento interpretable basado en lógica bajo incertidumbre. Utilizando tres conjuntos de datos de escritura a mano estructurados de complejidad variable, evaluamos el rendimiento en términos de precisión, interpretabilidad y generalización. Entre los enfoques, el método basado en ontologías difusas mostró el mejor rendimiento en tareas complejas, logrando un alto puntaje F1, mientras que los modelos de ML demostraron una fuerte generalización y los LLMs ofrecieron una base confiable e interpretable. Estos hallazgos sugieren que combinar IA simbólica y estadística puede mejorar el diagnóstico de EP basado en dibujos.