La enfermedad de Parkinson (EP) es un trastorno neurológico que afecta a las células nerviosas. La EP da lugar a diversas condiciones neurológicas, incluyendo una reducción gradual en la velocidad de movimiento, temblores, rigidez en las extremidades y alteraciones en los patrones de marcha. Identificar la enfermedad de Parkinson en sus fases iniciales es crucial para preservar el bienestar de quienes la padecen. Sin embargo, identificar con precisión la EP en sus primeras fases es complicado debido al envejecimiento de la población. Por lo tanto, en este trabajo, utilizamos metodologías de conjunto basadas en aprendizaje automático y nos centramos en la etapa premotora de la EP para crear un modelo de detección de EP en etapas tempranas preciso y confiable llamado PDD-ET. Compilamos un conjunto de datos extenso y adaptado que abarca la movilidad del paciente, hábitos de medicación, historial médico previo, rigidez, género y grupo de edad. El modelo PDD-ET amalgama los resultados de varias técnicas de aprendizaje automático, logrando una impresionante precisión del 97.52% en la detección de EP en etapas tempranas. Además, el modelo PDD-ET distingue eficazmente entre múltiples etapas de la EP y categoriza con precisión los niveles de gravedad de los pacientes afectados por la EP. Los hallazgos de la evaluación demuestran que el modelo PDD-ET supera a las técnicas de SVR, CNN, Stacked LSTM, LSTM, GRU, Alex Net, [Árbol de Decisión, RF y SVR], Red Neuronal Profunda, HOG, Activador Quantum ReLU, KNN Mejorado, Aumento Adaptativo, RF y Modelos de Aprendizaje Profundo por márgenes aproximados del 37%, 30%, 20%, 27%, 25%, 18%, 19%, 27%, 25%, 23%, 45%, 40%, 42% y 16%, respectivamente.