1.一种基于对比学习的ICU患者死亡风险预测方法，其特征在于，包括：获取待预测患者的电子病历数据，将电子病历数据输入到构建好的基于对比学习的ICU患者死亡风险预测模型，得到待预测患者的死亡风险预测结果；

构建基于对比学习的ICU患者死亡风险预测模型的过程包括：S1：获取ICU患者的电子病历数据集；

S2：对电子病历数据集进行预处理，得到结构化的多变量时间序列数据集；

S3：将多变量时间序列数据集进行随机划分，得到多个批次数据样本；

S4：将批次内数据样本输入到构建好的基于transformer‑gru‑cnn的分类器中，得到分类损失函数和第三数据高维表示；构建基于transformer‑gru‑cnn的分类器的过程包括：采用多层多头自注意力网络对输入信息进行编码，得到第一数据高维表示；

将一个双向gru叠加一个单向gru，在叠加的gru后面叠加一个线性层，得到基础gru架构；将输入信息输入到基础gru架构中，得到第二数据高维表示；

采用多层一维或二维卷积网络对输入信息进行处理，得到第三数据高维表示；

将第一数据高维表示、第二数据高维表示和第三数据高维表示拼接后经全连接层和激活函数处理，得到输出结果；

S5：将第三数据高维表示输入到Kmeans聚类算法中，得到相似样本和离异样本；

S6：根据相似样本和离异样本构建辅助对比学习损失函数；得到相似样本和离异样本的过程包括：给定样本xi和xj，若样本之间满足xj∈Kmeans(xi)，则样本xj为样本xi的相似样本；

给定样本xi和xj，若样本之间满足 则样本xj为样本xi的离异样本；

S7：根据分类损失函数和辅助对比学习损失函数构建优化损失函数；构建辅助损失函数的过程包括：以给定样本与其相似样本的相似度更高，同时与其不相似样本的相似度更低为目标，根据相似样本和离异样本构建辅助损失函数；辅助对比学习损失函数的公式为：其中，R(f)表示辅助对比学习损失，n表示样本数量，ξ1表示相似样本集合，ξ2表示不相似样本集合，score(f(xi),f(xj))表示样本间的相识度，f表示样本的高维表示；

S8：根据优化损失函数对基于transformer‑gru‑cnn的分类器的参数进行更新，得到构建好的基于对比学习的ICU患者死亡风险预测模型。

2.根据权利要求1所述的一种基于对比学习的ICU患者死亡风险预测方法，其特征在于，多变量时间序列数据集包括记录ICU患者48小时范围内17项生理指标的每小时统计信息。

3.根据权利要求1所述的一种基于对比学习的ICU患者死亡风险预测方法，其特征在于，分类损失函数的公式为：LCE＝‑P(x)loglog(P(x))‑(1‑P(x))loglog(1‑P(x))其中，LCE表示分类损失，P(x)表示预测类别的概率。

4.根据权利要求1所述的一种基于对比学习的ICU患者死亡风险预测方法，其特征在于，优化损失函数的公式为：Loss＝LCE+αR(f)

其中，Loss表示模型总损失，LCE表示分类损失，R(f)表示辅助对比学习损失，α表示超参数。