Dado el riesgo significativo que la enfermedad cardíaca, particularmente los ataques al corazón, representa para la vida de las personas, es crucial desarrollar técnicas efectivas para la detección temprana. Los algoritmos avanzados de aprendizaje automático y aprendizaje profundo tienen la capacidad de predecir ataques al corazón al analizar el historial médico y la salud general de un paciente. Estos algoritmos pueden procesar grandes conjuntos de datos, extrayendo información valiosa que ayuda a mitigar el riesgo de resultados fatales. Este estudio integra un enfoque de aprendizaje profundo para predecir y detectar ataques al corazón de manera temprana al clasificar los datos del paciente como normales o anormales. El modelo propuesto combina una Red Neuronal Convolucional (CNN) con autoatención, aprovechando el mecanismo de autoatención para centrarse en los aspectos más críticos de la secuencia. Dado que el riesgo de ataque al corazón está estrechamente relacionado con los cambios en los signos vitales a lo largo del tiempo, este enfoque permite que el modelo aprenda y asigne pesos apropiados a cada componente de entrada. Las mejoras y modificaciones al modelo híbrido resultaron en una tasa de precisión del 98.71% durante las pruebas. El sólido rendimiento del modelo en las métricas de evaluación muestra su potencial efectividad en la detección de ataques al corazón.