Las enfermedades cardiovasculares se encuentran entre los principales problemas de salud a nivel mundial. Por ejemplo, la muerte súbita cardíaca (MSC) representa aproximadamente 4 millones de muertes en todo el mundo. En particular, un evento de MSC puede cambiar sutilmente la señal del electrocardiograma (ECG) antes de su inicio, lo cual generalmente no es detectable por el paciente. Por lo tanto, la detección oportuna de estos cambios en las señales de ECG podría ayudar a desarrollar una herramienta para anticipar un evento de MSC y responder adecuadamente en la atención al paciente. En este sentido, este trabajo propone una novedosa metodología computacional que combina la transformada de paquetes de onda discreta de superposición máxima (MODWPT) con autoencoders apilados (SAEs) para descubrir características adecuadas en las señales de ECG y asociarlas con la predicción de MSC. El método propuesto predice eficientemente un evento de MSC con una precisión del 98.94% hasta 30 minutos antes del inicio, convirtiéndolo en una herramienta confiable para la detección temprana al proporcionar suficiente tiempo para la intervención médica y aumentar las posibilidades de prevenir resultados fatales, demostrando el potencial de integrar técnicas de procesamiento de señales y aprendizaje profundo dentro de la biología computacional para abordar problemas de salud críticos para la vida.