1.一种静脉治疗患者风险评估模型的构建方法，其特征在于，包括以下步骤：

步骤S1：获取静脉治疗患者历史数据；对静脉治疗患者历史数据进行风险分类，从而得到正常治疗患者数据以及治疗风险患者数据；对治疗风险患者数据进行多维关联矩阵构建，从而得到静脉风险关联矩阵，其中步骤S1具体为：步骤S11：获取静脉治疗患者历史数据；

步骤S12：对静脉治疗患者历史数据进行风险分类，从而得到正常治疗患者数据以及治疗风险患者数据，其中治疗风险患者数据包括患者基本数据、治疗观察数据以及患者体征数据，其中患者体征数据包括血压数据、心率数据、呼吸频率数据、体温数据、体重指数数据、皮肤数据以及白细胞数量数据；

步骤S13：对治疗观察数据进行风险时段标记，从而得到风险时段标记数据，其中风险时段标记数据包括血栓栓塞标记数据、血肿标记数据、感染标记数据、静脉通道失效标记数据、过敏标记数据以及静脉炎标记数据；

步骤S14：根据风险时段标记数据对患者基本数据以及患者体征数据进行多维关联矩阵构建，从而得到静脉风险关联矩阵，其中步骤S14具体为：步骤S141：根据血栓栓塞标记数据对血压数据、心率数据以及呼吸频率数据进行深静脉血栓形成时频关联分析以及肺栓塞时频关联分析，从而得到血栓体征时频关联数据，其中深静脉血栓形成时频关联分析以及肺栓塞时频关联分析包括血压时频升高关联分析、心率不齐时频关联分析以及呼吸急促性时频关联分析；

步骤S142：根据血肿标记数据对皮肤数据进行血肿特征关联聚类，从而得到血肿关联聚类数据，其中血肿特征关联聚类包括血肿部位关联聚类、血肿并发症关联聚类、出血量关联聚类以及血肿大小关联聚类；

步骤S143：根据感染标记数据对体温数据以及白细胞数量数据进行血液感染变化梯度关联分析以及局部感染变化梯度关联分析，从而得到感染体征变化关联数据；

步骤S144：根据静脉通道失效标记数据对体重指数数据进行的关联聚类，从而得到静脉通道失效关联聚类数据，其中关联聚类包括导管堵塞关联聚类以及针眼脱落关联聚类；

步骤S145：根据过敏标记数据对皮肤数据进行静脉治疗时以及皮试时的过敏特征关联聚类，从而得到过敏关联聚类数据；

步骤S146：根据静脉炎标记数据对皮肤数据进行局部水肿程度时序关联分析，从而得到静脉炎体征关联数据，其中局部水肿程度时序关联分析包括化学性静脉炎时序关联分析以及机械性静脉炎时序关联分析；

步骤S147：对患者基本数据、血栓体征时频关联数据、血肿关联聚类数据、感染体征变化关联数据、静脉通道失效关联聚类数据、过敏关联聚类数据以及静脉炎体征关联数据进行多维关联矩阵构建，从而得到静脉风险关联矩阵，其中步骤S147具体为：对静脉通道失效关联聚类数据以及静脉炎体征关联数据进行时序标记重合段的治疗操作特征提取，从而得到操作标记数据，其中治疗操作特征提取包括插管操作特征提取以及输液操作特征提取；

对治疗观察数据进行药物治疗时序特征聚类，从而得到药物时序聚类数据；

根据药物时序聚类数据对血栓体征时频关联数据以及过敏关联聚类数据进行相关性匹配，从而得到药物匹配数据；

根据患者基本数据对血栓体征时频关联数据、血肿关联聚类数据、感染体征变化关联数据、静脉通道失效关联聚类数据、过敏关联聚类数据以及静脉炎体征关联数据进行多元回归分析，从而得到多元回归关联数据；

根据多元回归关联数据对患者基本数据进行患者相关病史的长短期记忆特征增强，从而得到合成相关病史数据集，其中根据多元回归关联数据对患者基本数据进行患者相关病史的长短期记忆特征增强具体为：根据多元回归关联数据获取相关病史回归系数；

根据相关病史回归系数对患者基本数据进行相关病史的时序序列统计，从而得到病史时序序列数据；

根据病史时序序列数据对患者基本数据进行滑动窗口特征提取，从而得到平均药物使用窗口数据、疾病类型窗口数据以及手术类型窗口数据；

对平均药物使用窗口数据、疾病类型窗口数据以及手术类型窗口数据进行离散特征编码，从而得到时间窗口编码数据；

根据时间窗口编码数据对多元回归关联数据进行长短期记忆特征增强，从而得到合成相关病史数据集，其中根据时间窗口编码数据对多元回归关联数据进行长短期记忆特征增强具体为：对时间窗口编码数据进行时序衰减趋势分析，从而得到血栓时间衰减权重以及过敏时间衰减权重；

根据血栓时间衰减权重以及过敏时间衰减权重对多元回归关联数据进行双向长短期记忆模型构建，从而得到病史双向记忆模型；

基于病史双向记忆模型对多元回归关联数据进行长短期记忆特征增强，从而得到合成相关病史数据集；

对合成相关病史数据集以及多元回归关联数据进行随机森林风险预测，从而得到多元风险预测数据，其中随机森林风险预测包括年龄风险预测、性别风险预测以及患者相关病史风险预测；

对多元风险预测数据、药物匹配数据以及操作标记数据进行多维关联矩阵构建，从而得到静脉风险关联矩阵；

步骤S2：根据静脉风险关联矩阵对正常治疗患者数据进行风险标记前后时序窗口的相似相关特征提取，从而得到风险前相似相关数据以及风险时形似相关数据；对风险前相似相关数据以及风险时形似相关数据进行朴素贝叶斯概率模型构建，从而得到静脉风险概率初始模型；

步骤S3：基于静脉风险概率初始模型进行不同风险症状恢复情况的特征状态划分以及不同风险严重程度的特征状态划分，从而得到恢复状态数据集以及严重程度状态数据集；

根据恢复状态数据集以及严重程度状态数据集对静脉风险概率初始模型进行多维评估模型浅学习，从而得到患者风险评估模型。

2.根据权利要求1所述的静脉治疗患者风险评估模型的构建方法，其特征在于，步骤S2的具体步骤为：步骤S21：根据静脉风险关联矩阵对正常治疗患者数据进行风险标记前后时序窗口的相似相关特征提取，从而得到风险前相似相关数据以及风险时形似相关数据；

步骤S22：对风险前相似相关数据以及风险时形似相关数据进行相邻时序片段整合，从而得到风险相似相关数据；

步骤S23：对风险相似相关数据进行风险趋势特征分析，从而得到风险趋势数据；

步骤S24：根据风险趋势数据对静脉风险关联矩阵进行相关性权重判别，从而得到风险加权关联矩阵；

步骤S25：对风险加权关联矩阵进行朴素贝叶斯概率模型构建，从而得到静脉风险概率初始模型。

3.根据权利要求1所述的静脉治疗患者风险评估模型的构建方法，其特征在于，步骤S3的具体步骤为：步骤S31：基于静脉风险概率初始模型进行风险预测因子概率分析，从而得到风险预测因子数据，其中风险预测因子数据包括血栓栓塞预测因子数据、血肿预测因子数据、感染预测因子数据以及静脉通道失灵预测因子数据；

步骤S32：对风险预测因子数据进行风险概率变化分析，从而得到插管血栓风险概率数据、凝血血栓风险概率数据、血小板血肿风险概率数据、插管感染风险概率数据以及静脉失灵位置风险概率数据；

步骤S33：根据插管血栓风险概率数据、凝血血栓风险概率数据、血小板血肿风险概率数据、插管感染风险概率数据以及静脉失灵位置风险概率数据对静脉风险概率初始模型进行不同风险症状恢复情况的特征状态划分以及不同风险严重程度的特征状态划分，从而得到恢复状态数据集以及严重程度状态数据集；

步骤S34：根据恢复状态数据集以及严重程度状态数据集对静脉风险概率初始模型进行多维评估模型浅学习，从而得到患者风险评估模型。

4.根据权利要求3所述的静脉治疗患者风险评估模型的构建方法，其特征在于，步骤S32的具体步骤为：步骤S321：对血栓栓塞预测因子数据进行中心静脉导管以及外周静脉导管的插管时间风险概率变化分析，从而得到插管血栓风险概率数据；

步骤S322：对血栓栓塞预测因子数据进行凝血因子以及抗凝血酶的数量风险概率变化分析，从而得到凝血血栓风险概率数据，其中数量风险概率变化分析包括肿瘤概率变化分析以及癌症概率变化分析；

步骤S323：对血肿预测因子数据进行血小板数量风险概率变化分析，从而得到血小板血肿风险概率数据，其中血小板数量风险概率变化分析包括抗凝药物使用时的风险概率变化分析以及非抗凝药物使用时的风险概率变化分析；

步骤S324：对感染预测因子数据进行不同免疫功能的插管时间风险概率变化分析，从而得到插管感染风险概率数据；

步骤S325：对静脉通道失灵预测因子数据进行相对中心静脉导管位置的风险概率变化分析，从而得到静脉失灵位置风险概率数据，其中相对中心静脉导管位置的风险概率变化分析包括堵塞风险概率变化分析、漏液风险概率变化分析以及移位风险概率变化分析。

5.根据权利要求3所述的静脉治疗患者风险评估模型的构建方法，其特征在于，步骤S34的具体步骤为：步骤S341：对恢复状态数据集以及严重程度状态数据集进行多状态特征矩阵构建，从而得到风险状态矩阵，其中多状态特征矩阵构建包括风险发生的概率状态构建、风险发生时的严重程度概率状态构建以及风险发生时的恢复程度状态构建；

步骤S342：根据风险状态矩阵对风险预测因子数据进行权重分配，从而得到加权风险因子数据；

步骤S343：根据加权风险因子数据对静脉风险概率初始模型进行多维评估模型浅学习，从而得到患者风险评估模型。