A Doença de Parkinson (DP) é a segunda maior doença neurodegenerativa que afeta pessoas idosas. A DP não possui cura até o presente momento, somente tratamento que, se realizado de forma prévia, pode contribuir muito para a qualidade de vida do paciente. O diagnóstico da doença é dado principalmente através dos sintomas motores que demandam a ida presencial do paciente ao consultório e custos elevados. Dentre os sintomas da DP, anomalias na fala dos pacientes são identificadas em 90% dos casos. Embora imperceptíveis ao ouvido humano, estes sintomas podem ocorrer até 5 anos antes dos sintomas motores e podem ser identificados com o uso de tecnologia. A partir da extração de dados das gravações de voz e do uso de algoritmos de Machine Learning (ML) e Deep Learning (DL), pesquisadores tem obtido resultados animadores na predição da DP. A idade avançada é o principal fator de risco para surgimento da doença e o aumento na expectativa de vida do ser humano torna o diagnóstico precoce cada vez mais relevante. As Redes Neurais são as arquiteturas mais robustas existentes atualmente e tem apresentado desempenho animador em diversas tarefas de classificação de doenças. O presente estudo apresenta os resultados obtidos ao realizar um comparativo de desempenho entre modelos de ML e arquiteturas de Redes Neurais Artificiais aplicados a um conjunto de dados de voz, avaliando métricas como a acurácia preditiva e a sensibilidade. Os resultados obtidos com o uso das Redes Neurais não foram os melhores, mas sim os adquiridos ao utilizar o algoritmo de Árvore de Decisão (DT). A conclusão que o estudo chegou é que os conjuntos de dados de voz para predição de DP disponíveis até o momento não oferecem amostras suficientes para o uso adequado destas arquiteturas, fazendo com que os resultados sejam limitados. Ainda assim, é possível extrair resultados melhores dos conjuntos de dados existentes, com algoritmos clássicos de Machine Learning ao aplicar novas técnicas de pré-processamento e diferentes parâmetros, como os resultados deste trabalho demonstram.