El sistema de alerta temprana detecta y responde rápidamente a emergencias en pacientes de alto riesgo, como paros cardíacos en pacientes hospitalizados. Sin embargo, los sistemas de alerta temprana tradicionales tienen el problema de frecuentes falsas alarmas debido al bajo valor predictivo positivo y sensibilidad. Realizamos una investigación de predicción temprana sobre paros cardíacos utilizando datos de series temporales como biosignales y datos de laboratorio. Para derivar los atributos de datos que afectan la ocurrencia de paros cardíacos, realizamos un análisis de correlación entre la ocurrencia de paros cardíacos y los datos de biosignales y datos de laboratorio. Para mejorar el valor predictivo positivo y la sensibilidad de la predicción temprana de paros cardíacos, evaluamos el rendimiento según la longitud de la serie temporal de datos de biosignales medidos, datos de laboratorio y rango de datos del paciente. Proponemos un algoritmo de aprendizaje automático y aprendizaje profundo: el árbol de decisión, bosque aleatorio, regresión logística, modelo de memoria a corto y largo plazo (LSTM), modelo de unidad recurrente con compuertas (GRU) y el modelo híbrido LSTM-GRU. Evaluamos los modelos de predicción de paros cardíacos. En el caso de nuestro modelo LSTM propuesto, el valor predictivo positivo fue del 85.92% y la sensibilidad fue del 89.70%.