Detectar de manera proactiva la recaída de esquizofrenia sigue siendo un desafío crítico en la atención psiquiátrica, donde los modelos predictivos tradicionales a menudo no logran capturar la compleja dinámica neurofisiológica y conductual que precede a la recurrencia. Los métodos existentes suelen depender de arquitecturas superficiales o fuentes de datos unimodales, lo que resulta en una sensibilidad limitada, especialmente en las primeras etapas de recaída. En este estudio, proponemos un modelo de fusión CNN-Transformer que aprovecha las fortalezas complementarias de las Redes Neuronales Convolucionales (CNN) y las arquitecturas basadas en Transformer para procesar señales de electroencefalograma (EEG) enriquecidas con características clínicas y derivadas del sentimiento. Este marco híbrido permite un modelado espacial-temporal conjunto de indicadores de recaída, lo que permite un análisis más matizado y específico para cada paciente. A diferencia de enfoques anteriores, nuestro modelo incorpora un canal de fusión de datos de múltiples recursos, mejorando la robustez, la interpretabilidad y la relevancia clínica. Las evaluaciones experimentales demuestran una precisión de predicción superior al 97%, con mejoras notables en la recuperación y la puntuación F1 en comparación con los baselines líderes. Además, el modelo reduce significativamente los falsos negativos, un factor crucial para una intervención terapéutica oportuna. Al abordar las limitaciones de estrategias de predicción unimodales y superficiales, este marco sienta las bases para aplicaciones escalables en el mundo real en el monitoreo continuo de la salud mental y la prevención personalizada de recaídas.