La enfermedad de Parkinson (EP) a menudo se detecta solo en etapas posteriores, cuando aproximadamente el 50% de las proyecciones dopaminérgicas nigroestriatales ya se han perdido. Por lo tanto, existe la necesidad de biomarcadores para monitorear las fases más tempranas, especialmente para aquellos que tienen un mayor riesgo. En este trabajo, exploramos el uso de métodos de aprendizaje automático para diagnosticar la EP mediante el análisis de alteraciones en la marcha a través de un sistema de sensores inerciales que los participantes en el estudio usan mientras caminan por un pasillo de 15 m de longitud en tres escenarios diferentes. Para lograr este objetivo, hemos entrenado seis modelos de aprendizaje automático bien conocidos: máquinas de vectores de soporte, regresión logística, redes neuronales, k vecinos más cercanos, árboles de decisión y bosques aleatorios. Exploramos a fondo varias formas de mitigar los problemas derivados de la pequeña cantidad de datos disponibles. Descubrimos que, si bien es bastante común lograr tasas de precisión superiores al 70%, la precisión del mejor modelo entrenado está solo ligeramente por encima del 80%. Este modelo tiene alta precisión y especificidad (más del 90%), pero menor sensibilidad (solo 71%). Creemos que estos resultados son prometedores, especialmente dadas el tamaño de la muestra de población (41 pacientes con EP y 36 controles sanos), y que este campo de investigación debería explorarse más a fondo.