Antecedentes: La Enfermedad de Parkinson (EP) afecta de diferentes formas la vida de las personas que la padecen, quienes inicialmente desconocen cómo será la progresión de la enfermedad dentro de los próximos años y los cambios que implicará en su proyecto de vida. El objetivo de este estudio es implementar un modelo de predicción de riesgo de progresión de Parkinson usando técnicas de aprendizaje autónomo.Metodología: Se seleccionan 11 variables que son usadas en otros estudios relacionados y son tomadas de datos clínicos de pacientes con EP capturados mediante evaluaciones y cuestionarios. Se implementan modelos de predicción empleando las técnicas de Machine Learning: Regresión Logística, Random Forest y Gradient Boosting Machine (GBM). Los rendimientos son evaluados a través del área bajo la curva Receiver Operating Characteristic (ROC).Resultados: Se obtiene un conjunto de datos con calidad y según las necesidades del caso de estudio haciendo uso de la base de datos Parkinson Progression Markers Initiative (PPMI) con el cuál se implementa un modelo robusto de riesgo de progresión de EP en un tiempo de 10 años, con un área bajo la curva (AUC) de 0.9, interpretable, confiable y con alta usabilidad para pacientes, cuidadores y personal calificado quienes podrán tomar decisiones más acertadas desde los datos.