La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo progresivo que afecta a millones en todo el mundo. La detección temprana es crucial para mejorar los resultados de los pacientes. El análisis de dibujo en espiral ha surgido como una herramienta no invasiva para detectar los primeros deterioros motores asociados con la EP. Este estudio examina el rendimiento de modelos híbridos de aprendizaje profundo y aprendizaje automático en la detección de la EP utilizando dibujos en espiral, con un enfoque en el impacto de las técnicas de aumento de datos. Comparamos la precisión del Transformador de Visión (ViT) con Vecinos más Cercanos (KNN), Redes Neuronales Convolucionales (CNN) con Máquinas de Vectores de Soporte (SVM) y Redes Neuronales Residuales (ResNet-50) con Regresión Logística, evaluando su rendimiento tanto en datos aumentados como no aumentados. Nuestros hallazgos revelan que ViT con KNN, logrando inicialmente un 96,77% de precisión en datos no aumentados, experimentó un notable descenso en todas las técnicas de aumento, lo que sugiere que depende en gran medida de patrones globales en los dibujos en espiral. En contraste, ResNet-50 con Regresión Logística mostró una mejora consistente con el aumento de datos, alcanzando un 93,55% de precisión cuando se aplicaron técnicas de rotación y volteo. Estos resultados resaltan que los modelos híbridos responden de manera diferente al aumento, y la selección cuidadosa de estrategias de aumento es necesaria para optimizar el rendimiento del modelo. Nuestro estudio proporciona información importante sobre el desarrollo de herramientas de diagnóstico confiables para la detección temprana de la EP, enfatizando la necesidad de técnicas adecuadas de aumento en el análisis de imágenes médicas.