Bệnh Parkinson (PD) là một rối loạn thần kinh tiến triển đặc trưng bởi sự thoái hóa dần của các tế bào dopaminergic trong não, dẫn đến các triệu chứng vận động và phi vận động. Nghiên cứu này nhằm phát triển mô hình chẩn đoán sớm PD dựa trên dữ liệu lâm sàng và tín hiệu sinh học, với mục tiêu hỗ trợ can thiệp điều trị trước khi tổn thương thần kinh trở nên nghiêm trọng. Hai thuật toán học máy, XGBoost và Random Forest, được sử dụng để huấn luyện và đánh giá khả năng phân loại sớm PD trên tập dữ liệu gồm 195 mẫu và 24 đặc trưng. Các đặc trưng bao gồm dữ liệu giọng nói, chỉ số lâm sàng sớm và một số thông số xét nghiệm phi xâm lấn. Kết quả cho thấy cả hai mô hình đều đạt hiệu suất cao, với độ chính xác (accuracy) 0.92 và điểm F1-Score 0.95. Trong đó, XGBoost thể hiện ưu thế nhẹ với AUC = 0.990, cao hơn AUC = 0.959 của Random Forest, cho thấy khả năng phân biệt giữa các lớp tốt hơn. Khi áp dụng mô hình kết hợp Ensemble, hiệu suất không cải thiện đáng kể do giới hạn về kích thước dữ liệu. Nghiên cứu khẳng định tiềm năng của các mô hình học máy trong chẩn đoán sớm bệnh Parkinson và gợi mở hướng tiếp cận mới, chuyển trọng tâm từ điều trị triệu chứng sang ngăn ngừa tổn thương thần kinh.