> Průběžné zlepšování procesů > Průběh péče o pacienta > athenahealth > Datová šablona

Datová šablona pro cestu pacienta systémem péče

athenahealth

Atributy cesty pacienta systémem péče(19) Aktivity na cestě pacienta systémem péče(15) Návody k extrakci dat(2)

Datová šablona pro cestu pacienta systémem péče

Tato šablona vám pomůže shromáždit potřebná data pro analýzu cesty pacienta systémem péče. Obsahuje přehled důležitých atributů a aktivit, které je třeba sledovat, i návod, jak tato data získat z athenahealth. Díky ní připravíte data pro účinný process mining.

Doporučené atributy ke sběru
Důležité aktivity ke sledování
Pokyny k extrakci dat z athenahealth

Pracujete se záznamy událostí poprvé? Přečtěte si, jak vytvořit záznam událostí pro process mining.

Stáhnout šablonu

Atributy cesty pacienta systémem péče

Toto jsou doporučená datová pole pro záznam událostí. Jsou nezbytná pro důkladnou analýzu a pochopení cest pacientů systémem péče.

5 Povinné 9 Doporučené 5 Volitelné

	Název	Popis
	Časové razítko události EventTimestamp	Konkrétní datum a čas, kdy aktivita proběhla.
Popis Zaznamenává přesný okamžik, kdy aktivita proběhla. Slouží k chronologickému seřazení událostí a výpočtu doby mezi jednotlivými kroky. Je nezbytné pro časovou analýzu, například výpočet doby průchodu, čekání a propustnosti. Vyšší přesnost pomáhá určit pořadí událostí, které nastaly ve stejný den. Proč je to důležité Je nutné pro seřazení událostí a výpočet všech časových KPI. Kde data získat Pole s časovým razítkem spojená se změnami stavu nebo daty vytvoření v tabulkách athenahealth. Příklady 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Epizoda péče o pacienta PatientEpisodeId	Jedinečný identifikátor konkrétní epizody péče nebo průběhu léčby pacienta.
Popis Tento atribut slouží jako hlavní identifikátor případu. Sdružuje všechny aktivity související s konkrétním obdobím péče nebo zdravotním stavem pacienta. Propojuje jednotlivé události, například návštěvy, diagnostická vyšetření a propuštění, do jednoho souvislého průběhu. Při analýze jde o primární klíč pro process mining, který umožňuje rekonstruovat celý průběh procesu. Zajišťuje, že se opakované návštěvy téhož pacienta kvůli různým zdravotním potížím považují za samostatné instance procesu. Proč je to důležité Nezbytný pro vymezení jedné instance procesu v analýze. Kde data získat Odvozuje se ze skupiny ID návštěv nebo se propojuje s konkrétním ID epizody péče v athenahealth. Příklady EP-2023-88491EP-2023-99102ENC-55412-GRP
	Název aktivity ActivityName	Název události nebo úkolu v průběhu péče o pacienta.
Popis Označuje konkrétní krok procesu, například „Pacient zaregistrován“, „Objednáno diagnostické vyšetření“ nebo „Podán lék“. Tento text určuje uzly v mapě procesu. Používá se k zobrazení průběhu procesu a určení pořadí jednotlivých kroků. Jednotné názvy jsou důležité pro přehlednou mapu procesu bez zbytečně rozdělených aktivit. Proč je to důležité Určuje kroky v mapě procesu a je nezbytný pro process mining. Kde data získat Odvozuje se z auditních záznamů, změn stavu objednávek nebo popisů položek nároku. Příklady Objednání návštěvyPříchod pacienta zaznamenánZadání diagnostického vyšetřeníPropuštění pacienta
	Poslední aktualizace dat LastDataUpdate	Časové razítko posledního načtení nebo obnovení dat.
Popis Ukazuje, jak aktuální jsou data použitá v analýze. Uživatelé tak poznají, zda pracují s aktuálními daty, nebo s historickým snímkem. Slouží ke správě datových toků a zajišťuje, aby dashboardy zobrazovaly co nejaktuálnější stav procesu. Proč je to důležité Důležité pro správu dat a důvěru uživatelů v aktuálnost dashboardu. Kde data získat Systémový čas při spuštění ETL. Příklady 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Zdrojový systém SourceSystem	Název systému, ze kterého data pocházejí.
Popis Určuje IT systém, který záznam vytvořil, v tomto případě „athenahealth“. To se hodí zejména v prostředí s více systémy, kde se data mohou kombinovat. Analytici mohou filtrovat zobrazení podle zdroje dat a řešit problémy s kvalitou dat v konkrétním systému. Proč je to důležité Poskytuje informace o původu dat a kontext při process mining v prostředí s více systémy. Kde data získat Pevně zadaná hodnota nebo ID konfigurace systému. Příklady athenahealthAthenaOneAthenaPractice
	Čas ukončení události EventEndTime	Čas dokončení konkrétní aktivity.
Popis Zaznamenává čas dokončení aktivity a umožňuje vypočítat dobu jejího aktivního zpracování. Ta se liší od čekání před zahájením aktivity. Slouží k analýze využití zdrojů a odhalení úkolů, jejichž ruční provedení trvá déle, než se očekává. Proč je to důležité Umožňuje vypočítat dobu aktivního zpracování odděleně od pasivního čekání. Kde data získat Čas odhlášení, ověření výsledku nebo konkrétní časová razítka dokončení v athenahealth. Příklady 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	ID pacienta PatientId	Jedinečný identifikátor pacienta (anonymizovaný nebo hashovaný).
Popis Jednoznačně identifikuje pacienta, jehož průběh péče sledujete. Na rozdíl od identifikátoru případu může mít jeden pacient v průběhu času více epizod péče. Slouží k propojení opakovaných návštěv a analýze míry opětovných hospitalizací. Je nezbytný pro KPI „Podíl neplánovaných opětovných hospitalizací“. Proč je to důležité Nezbytný pro sledování opětovných hospitalizací a historie pacienta napříč epizodami péče. Kde data získat Pole „patientid“ v athenahealth. Příklady PAT-100234PAT-559201PAT-992210
	Jméno poskytovatele péče ProviderName	Jméno zdravotnického pracovníka, který aktivitu provedl.
Popis Určuje konkrétního lékaře, zdravotní sestru nebo technika odpovědného za událost. Tento atribut je zásadní pro analýzu využití zdrojů. Umožňuje porovnat ukazatele výkonnosti, například propustnost a dobu průchodu, mezi jednotlivými pracovníky a odhalit potřebu školení nebo nerovnoměrné rozložení práce. Proč je to důležité Důležitý pro ukazatel „Míra využití zdrojů“ a analýzu předávání práce. Kde data získat ID „providerid“ v athenahealth převedené na jméno poskytovatele z adresáře. Příklady Dr. SmithZdravotní sestra JonesováTechnik Adams
	Kód hlavní diagnózy PrimaryDiagnosisCode	Hlavní kód ICD-10 přiřazený k epizodě péče.
Popis Klasifikuje klinický důvod péče o pacienta. Poskytuje kontext pro „Porovnání průběhu péče podle věkové skupiny a diagnózy“. Analytici podle tohoto údaje rozdělují průběhy péče podle zdravotního stavu, například zápalu plic nebo zlomeniny. U různých diagnóz se totiž očekávaný postup i doba průchodu výrazně liší. Proč je to důležité Umožňuje porovnávat podobné případy, protože doba průchodu se podle diagnózy výrazně liší. Kde data získat Pole diagnózy v návštěvě nebo nároku (ICD-10). Příklady J18.9I10E11.9
	Místo propuštění DischargeDisposition	Místo nebo stav pacienta při propuštění.
Popis Udává, kam pacient po ukončení epizody péče odešel, například domů, do zařízení následné péče nebo do hospice. Tento údaj je důležitý pro „Plánování propuštění a trendy opětovných hospitalizací“. Poskytuje kontext o náročnosti plánování propuštění a pomáhá vyhodnotit, jak dobře funguje předávání péče. Proč je to důležité Důležitý kontext pro plánování propuštění a posouzení rizika opětovné hospitalizace. Kde data získat Pole návštěvy v athenahealth nebo nemocniční záznamy o propuštění. Příklady DomůZařízení následné péčePřeložen do nemocnice pro krátkodobou péčiZemřel
	Název oddělení DepartmentName	Oddělení nemocnice nebo kliniky, kde aktivita proběhla.
Popis Rozděluje data o procesu podle pracoviště, například urgentního příjmu, kardiologie nebo radiologie. Tento atribut je nezbytný pro dashboard „Propustnost oddělení a předávání pacientů“. Analýza podle tohoto atributu odhalí úzká místa na konkrétních pracovištích a pomůže zlepšit průchod pacientů mezi odděleními. Proč je to důležité Důležitý pro odhalení úzkých míst v organizaci a neefektivního předávání pacientů. Kde data získat ID „departmentid“ v athenahealth převedené na název oddělení. Příklady Urgentní příjemInterní lékařstvíRadiologie
	Opětovná hospitalizace IsReadmission	Příznak, který označuje, zda jde o neplánovaný návrat pacienta.
Popis Logická hodnota, která určuje, zda se pacient v daném období, například do 30 dnů, vrátil do nemocnice po předchozím propuštění. Přímo podporuje KPI „Podíl neplánovaných opětovných hospitalizací“. Filtrováním podle tohoto atributu mohou analytici podrobněji prozkoumat příčiny opětovných hospitalizací a odhalit vzorce v původním průběhu léčby. Proč je to důležité Přímo podporuje KPI míry opětovných hospitalizací. Kde data získat Vypočítává se během ETL porovnáním data přijetí s datem předchozího propuštění. Příklady truefalse
	Typ návštěvy EncounterType	Klasifikace návštěvy, například ambulantní, telemedicínská nebo akutní.
Popis Určuje způsob nebo prostředí, ve kterém byla péče poskytnuta. V obecných datových modelech slouží jako „typ případu“. Různé typy návštěv mají odlišný očekávaný průběh i požadavky na vyúčtování. Filtrování podle tohoto atributu je nezbytné, aby se při analýze doby průchodu neporovnávaly nesrovnatelné případy. Proč je to důležité Rozlišuje varianty procesu, například telemedicínskou a osobní návštěvu. Kde data získat Pole „encountertype“ v athenahealth. Příklady Ambulantní návštěvaTelemedicínaAkutní péčeOperace
	Věková skupina pacienta PatientAgeGroup	Kategorie věku pacienta, například 18–25 nebo 65 a více let.
Popis Rozděluje pacienty do demografických skupin. Tento údaj je nezbytný pro dashboard „Porovnání průběhu péče podle věkové skupiny a diagnózy“. Pomáhá zjistit, zda neefektivní procesy nebo výsledky péče neovlivňují více některé věkové skupiny, například seniory nebo dětské pacienty. Proč je to důležité Běžné demografické členění pro analýzu procesů ve zdravotnictví. Kde data získat Odvozuje se z data narození pacienta a času zahájení. Příklady 18-2930-4965+
	Celková účtovaná částka TotalChargeAmount	Částka účtovaná za aktivitu nebo epizodu péče.
Popis Finanční hodnota spojená s aktivitou nebo celkovou částkou nároku. Umožňuje process mining zaměřený na náklady a analýzu finančního dopadu. Slouží k odhalení nákladných variant léčby a porovnání efektivity procesu s finančními výsledky. Proč je to důležité Doplňuje analýzu procesu o finanční hledisko. Kde data získat Pole „amount“ nebo „totalcharge“ v tabulkách nároků či poplatků v athenahealth. Příklady 150.002500.5045.00
	Opakovaná aktivita IsRework	Příznak, který označuje, zda se aktivita opakuje.
Popis Logická hodnota, která je pravdivá, pokud se aktivita v rámci stejného případu vyskytla více než jednou. Podporuje dashboard „Četnost aktivit a opakované kroky“. Umožňuje rychle vyfiltrovat případy s opakovanými kroky a vypočítat KPI „Četnost opakovaných aktivit“. Proč je to důležité Odhaluje neefektivní procesy a nadbytečné kroky. Kde data získat Vypočítává se během ETL podle počtu výskytů aktivity pro každé CaseId. Příklady truefalse
	Stav diagnostického výsledku DiagnosticResultStatus	Výsledek diagnostického vyšetření, například pozitivní nebo normální.
Popis Zaznamenává souhrnný výsledek vyšetření. Poskytuje kontext pro „Dobu do diagnostického vyšetření“ a následná rozhodnutí o léčbě. Slouží k analýze, zda po abnormálních výsledcích následují další kroky rychleji než po normálních výsledcích. Proč je to důležité Propojuje průběh procesu s klinickými výsledky. Kde data získat Pole výsledků laboratorních vyšetření v athenahealth. Příklady NormálníAbnormálníKritický
	Stav nároku ClaimStatus	Stav finančního nároku souvisejícího s péčí.
Popis Udává stav nároku k vyúčtování, například „Odesláno“, „Zamítnuto“ nebo „Uhrazeno“. Souvisí s aktivitou „Nárok odeslán“ a finanční propustností. Pomáhá zjistit, zda problémy s klinickou dokumentací nezpůsobují následné finanční prodlevy. Proč je to důležité Propojuje efektivitu klinického procesu s výkonností procesu správy výnosů. Kde data získat Pole „claimstatus“ v athenahealth. Příklady VYÚČTOVÁNOPOZASTAVENOPŘEDÁNO K VYÚČTOVÁNÍ
	Typ objednávky OrderType	Kategorie objednávky, například laboratorní vyšetření, zobrazovací vyšetření nebo předpis.
Popis Klasifikuje klinická vyšetření a další objednávky zadané během epizody péče. Tento údaj je důležitý pro dashboard „Doba do diagnostického vyšetření“. Analytici mohou měřit dobu do provedení laboratorních a zobrazovacích vyšetření zvlášť, protože se na ně často vztahují odlišné dohody o úrovni služeb a vznikají u nich různá úzká místa. Proč je to důležité Rozděluje diagnostický proces pro cílenou analýzu doby do vyšetření. Kde data získat Pole „ordertype“ nebo „class“ v API objednávek athenahealth. Příklady Laboratorní vyšetřeníZobrazovací vyšetřeníPředpisZákrok

Povinné Doporučené Volitelné

Aktivity na cestě pacienta systémem péče

Toto jsou důležité kroky a milníky procesu, které je třeba zaznamenat do záznamu událostí, abyste mohli přesně zjistit, jak péče o pacienta probíhá, a zlepšit ji.

7 Doporučené 8 Volitelné

	Aktivita	Popis
	Dokončení vstupního vyšetření	Označuje dokončení prvního klinického vyšetření, například třídění pacientů nebo vyšetření sestrou, při kterém se zaznamenají životní funkce a hlavní obtíže. Událost se často odvozuje z časového razítka první podepsané klinické poznámky nebo dokončeného formuláře vyšetření.
Proč je to důležité Tento milník označuje začátek klinické péče. Doba od registrace po tuto činnost je důležitým ukazatelem počátečního čekání pacienta a rychlosti reakce na potřebu péče. Kde data získat Událost se odvozuje z časového razítka vytvoření nebo podpisu konkrétních klinických dokumentů či záznamových listů v athenaClinicals. Je třeba určit typy dokumentů používané při třídění pacientů nebo vstupním vyšetření. Zachycení Zjistěte první časové razítko klinické poznámky, záznamového listu životních funkcí nebo konkrétního formuláře vstupního vyšetření pro dané vyšetření. Typ události inferred
	Potvrzení diagnózy	Klinický pracovník oficiálně stanoví nebo potvrdí diagnózu pacienta pro aktuální vyšetření. Událost lze odvodit z časového razítka vytvoření nebo poslední aktualizace hlavního diagnostického kódu, například ICD-10, přiřazeného k vyšetření pacienta.
Proč je to důležité Jde o zásadní milník, který určuje další postup léčby. Analýza činností po tomto bodě pomáhá pochopit a sjednotit postupy péče. Kde data získat Událost lze odvodit ze seznamu zdravotních problémů pacienta nebo z diagnostických údajů vyšetření. Změna či potvrzení diagnostického kódu a související časové razítko tuto událost označují. Zachycení Zjistěte časové razítko, kdy byla hlavní diagnóza daného vyšetření přidána nebo aktualizována. Typ události inferred
	Příchod pacienta zaznamenán	Tato činnost označuje příchod pacienta a jeho registraci na objednanou návštěvu nebo vyšetření. V athenaClinicals nebo athenaCommunicator se obvykle zaznamená jako výslovná změna stavu záznamu o návštěvě.
Proč je to důležité Tímto okamžikem začíná pobyt pacienta v zařízení. Jde o důležitý výchozí bod pro měření čekání a celkové doby klinického vyšetření. Kde data získat Událost se zaznamenává jako změna stavu v tabulce návštěv nebo vyšetření. Hledejte stav „Checked-In“ a odpovídající časové razítko. Zachycení Změna stavu objektu návštěvy nebo vyšetření se zaznamená s časovým razítkem. Typ události explicit
	Přijetí výsledků vyšetření	Výsledky diagnostického vyšetření jsou dokončeny a zpřístupněny v kartě pacienta. Obvykle se zaznamenají, když laboratorní nebo zobrazovací systém odešle výsledky do athenahealth a vytvoří záznam s časovým razítkem.
Proč je to důležité Přijetí výsledků je důležitým podnětem pro další klinická rozhodnutí, například stanovení diagnózy a plánování léčby. Tato událost je koncovým bodem pro měření doby zpracování diagnostického vyšetření. Kde data získat Údaj najdete v tabulce výsledků nebo diagnostiky propojené s původní objednávkou. Událost označuje časové razítko, kdy byl výsledek uložen nebo přijat do karty pacienta. Zachycení Vytvoří se nový záznam výsledku s časovým razítkem, často prostřednictvím rozhraní LIS nebo RIS. Typ události explicit
	Propuštění pacienta	Pacient byl oficiálně propuštěn a jeho pobyt v zařízení skončil. Jde o poslední událost ADT u hospitalizovaného pacienta, zaznamenanou s přesným časovým razítkem.
Proč je to důležité Tato událost označuje konec hlavní cesty pacienta. Je koncovým bodem pro měření celkové „Doby cyklu cesty pacienta“ a je důležitá pro analýzu opakovaných hospitalizací. Kde data získat Jde o výslovně zaznamenanou událost v systému ADT nebo v tabulce vyšetření pacienta. Označuje konečný stav vyšetření „Discharged“ a obsahuje časové razítko. Zachycení Stav vyšetření pacienta se změní na „Discharged“ a zaznamená se událost ADT. Typ události explicit
	Provedení zákroku	Pacient podstoupí klinický zákrok, například operaci nebo specializovanou terapii. Jde o výslovně zaznamenanou událost v klinické dokumentaci, která často obsahuje čas zahájení a ukončení zákroku.
Proč je to důležité Zákroky jsou důležitými milníky léčby pacienta. Analýza činností před zákrokem a po něm pomáhá zlepšit workflow před operací i po ní. Kde data získat Údaj najdete v poznámkách k zákroku nebo v konkrétních klinických záznamových listech v athenaClinicals. Časové razítko události se odvozuje od zaznamenaného začátku nebo konce zákroku. Zachycení Vytvoří se poznámka nebo záznam o zákroku s časovým razítkem jeho provedení. Typ události explicit
	Vystavení příkazu k propuštění	Lékař nebo oprávněný poskytovatel zdravotní péče vystaví oficiální příkaz k propuštění pacienta. Jde o výslovně zaznamenanou událost s časovým razítkem, která vzniká v modulu CPOE elektronického zdravotního záznamu.
Proč je to důležité Tato činnost zahajuje proces propuštění. Doba mezi vystavením příkazu a skutečným propuštěním je důležitým ukazatelem „Doby plánování propuštění“. Kde data získat Údaj najdete v tabulce objednávek. Událost označuje konkrétní typ objednávky „Discharge“ a časové razítko jejího vytvoření. Zachycení V tabulce objednávek se vytvoří nový záznam s typem objednávky „Discharge“. Typ události explicit
	Objednání kontrolní návštěvy	Pacientovi se po hlavní léčbě nebo propuštění objedná kontrolní návštěva. Událost se výslovně zaznamená při vytvoření nové návštěvy v plánovacím modulu athenaCommunicator.
Proč je to důležité Tato činnost pomáhá pochopit koordinaci následné péče a její vliv na výsledky, například počet opakovaných hospitalizací. Ukazuje návaznost péče. Kde data získat Událost se zaznamenává v tabulce návštěv. Označuje ji časové razítko vytvoření návštěvy, která se koná po datu propuštění. Zachycení V plánovacím systému se vytvoří nový záznam návštěvy. Typ události explicit
	Objednání návštěvy	Událost označuje objednání návštěvy pacienta. Zaznamená se při vytvoření a potvrzení nové návštěvy uživatelem v plánovacím modulu athenaCommunicator v athenahealth.
Proč je to důležité Tato činnost je pro mnoho cest pacientů prvním kontaktním bodem. Analýza doby od objednání po příchod pomáhá posoudit dostupnost péče a efektivitu přípravy na návštěvu. Kde data získat Jde o výslovně zaznamenanou událost v tabulkách návštěv nebo plánování. Obvykle je spojena s časovým razítkem vytvoření a ID pacienta. Zachycení Událost se zaznamená při vytvoření záznamu o návštěvě v plánovacím modulu. Typ události explicit
	Odběr vzorku	Událost označuje odběr biologického vzorku, například krve nebo moči, pro laboratorní vyšetření. Obvykle se výslovně zaznamená v laboratorním modulu nebo jako změna stavu objednávky.
Proč je to důležité Jde o důležitý milník diagnostického procesu. Doba mezi zadáním vyšetření, odběrem a získáním výsledku může odhalit významná úzká místa v laboratorním workflow. Kde data získat Událost může být zaznamenána jako změna stavu laboratorní objednávky nebo jako samostatná událost v laboratorním informačním systému propojeném s athenahealth. Hledejte stav „Collected“ a časové razítko. Zachycení Zaznamená se jako změna stavu laboratorní objednávky nebo v samostatném modulu pro sledování vzorků. Typ události explicit
	Odeslání pojistné žádosti	Vytvoří se a plátci se odešle žádost o úhradu služeb poskytnutých během vyšetření pacienta. Jde o výslovně zaznamenanou událost v modulu řízení cyklu příjmů athenaCollector.
Proč je to důležité Jde sice o administrativní krok, ale pro analýzu procesu správy výnosů, který probíhá souběžně s klinickou péčí, je tato aktivita důležitá. Pomáhá odhalit prodlevy mezi poskytnutím péče a vyúčtováním. Kde data získat Najdete ji v tabulkách s nároky nebo vyúčtováním. Událost označuje časové razítko vytvoření nebo odeslání nároku. Zachycení Záznam nároku se vytvoří a jeho stav se s časovým razítkem změní na „Odesláno“. Typ události explicit
	Podání léku	Klinický personál pacientovi skutečně podá lék. Tato událost se výslovně zaznamená v modulu Medication Administration Record (MAR) v athenaClinicals, a to s přesným časovým razítkem každé dávky.
Proč je to důležité Tato činnost představuje přímý léčebný zásah. Analýza jejího načasování pomáhá měřit „Dobu do první léčby“ a ověřit dodržování rozpisu podávání léků. Kde data získat Údaj najdete v datových tabulkách MAR. Každá událost podání obsahuje ID pacienta, ID léku, dávku a časové razítko podání. Zachycení Pokaždé, když je podání léku zaznamenáno, vytvoří se v MAR záznam s časovým razítkem. Typ události explicit
	Převoz pacienta	Pacient se přesune z jedné jednotky nebo oddělení na jiné, například z urgentního příjmu na lůžkové oddělení. V elektronickém zdravotním záznamu se tato událost výslovně zaznamená jako přijetí, propuštění nebo převoz (ADT).
Proč je to důležité Tato činnost je důležitá pro analýzu předávání pacientů mezi odděleními a jejich pohybu v zařízení. Pomáhá odhalit úzká místa v „Době předání pacienta“ a při plánování zdrojů. Kde data získat Událost se zaznamenává v záznamu událostí ADT nebo v tabulkách pro sledování pacientů. Každý převoz obsahuje údaje o pacientovi, výchozím a cílovém místě a časové razítko. Zachycení Při převozu pacienta se vytvoří zpráva ADT nebo záznam události s časovým razítkem. Typ události explicit
	Vytvoření léčebného plánu	Událost označuje formální vytvoření a zdokumentování léčebného plánu pacienta klinickým pracovníkem. Zaznamenat ji lze při vytvoření nebo podpisu konkrétního dokumentu „Plán péče“ nebo související sady léčebných objednávek.
Proč je to důležité Tato činnost stanovuje zamýšlený klinický postup. Je důležitým bodem pro měření souladu se standardními protokoly a analýzu odchylek v péči. Kde data získat Údaj pravděpodobně najdete v tabulkách klinických dokumentů nebo objednávek. Událost odpovídá časovému razítku podepsané poznámky k plánu péče nebo odeslání související sady léčebných objednávek. Zachycení Událost odpovídá časovému razítku vytvoření nebo dokončení konkrétního dokumentu léčebného plánu či sady objednávek. Typ události explicit
	Zadání diagnostického vyšetření	Poskytovatel zdravotní péče zadá diagnostické vyšetření, například laboratorní test, zobrazovací vyšetření nebo jiný zákrok. Jde o výslovně zaznamenanou událost s časovým razítkem, která vzniká pomocí funkce CPOE (Computerized Provider Order Entry) v athenaClinicals.
Proč je to důležité Jde o důležitý rozhodovací bod, který zahajuje diagnostický dílčí proces. Sledování této činnosti je nezbytné pro analýzu KPI „Doba od zadání diagnostického vyšetření po výsledek“. Kde data získat Údaj najdete v tabulce objednávek. Každá objednávka obsahuje identifikátor pacienta, název a stav objednávky a časové razítko vytvoření. Zachycení V tabulce objednávek systému se vytvoří nový záznam s časovým razítkem. Typ události explicit

Doporučené Volitelné

Návody k extrakci dat

Jak získat data z athenahealth

Kroky

Přihlaste se do portálu athenaNet pomocí zabezpečených přihlašovacích údajů.
V hlavní nabídce otevřete modul Reports, obvykle v části „Reports“ > „Report Builder“ nebo „Custom Reports“.
Klikněte na „Create New Report“ a jako hlavní kategorii sestavy vyberte „Encounters“ nebo „Patient Visit“. Díky tomu budou podrobná data zaměřena na konkrétní epizodu péče o pacienta.
V části pro výběr „Columns“ nebo „Fields“ vyhledejte a přidejte Patient Identifier (Patient ID) a Encounter Identifier (Encounter ID), které poslouží jako identifikátor případu.
Přidejte demografické a kontextové sloupce potřebné pro atributy, například Department, Provider Name, Patient Age a Primary Diagnosis Code.
Přidejte konkrétní sloupce s časovými údaji odpovídajícími aktivitám. Možná je najdete v různých skupinách polí, například „Scheduling“ pro Appointment Scheduled, „Check-in“ pro Check-in Time a „Billing“ pro Claim Submitted. Pokud je to možné, vyberte formát „Date and Time“, nikoli pouze datum.
Nastavte filtry sestavy. Zvolte požadované období v poli „Encounter Date“, například posledních 6 měsíců, a vylučte návštěvy označené jako „Cancelled“ nebo „No Show“, abyste se zaměřili na dokončené cesty pacientů.
Kliknutím na „Run Report“ zobrazte náhled dat. Ověřte, že sloupce obsahují data a nejsou zcela prázdné.
Vyberte možnost „Export“ a jako formát zvolte „CSV“ (Comma Separated Values). Nepoužívejte formátování Excel/XLSX, které komplikuje další zpracování.
Uložte soubor lokálně pod názvem „athena_raw_export.csv“.
Sestava exportuje jeden řádek na každou epizodu péče a více sloupců s daty (široký formát), proto je nutné data převést do záznamu událostí (dlouhý formát). K tomu použijte skript Python uvedený v části Query.
Spusťte skript, vytvořte výsledný soubor „process_mining_event_log.csv“ a nahrajte ho do ProcessMind.

Konfigurace

Kategorie sestavy: Jako základní kategorii zvolte „Encounter Activity“ nebo „Clinicals“, abyste zachytili většinu kroků klinického workflow.
Rozsah dat: První export omezte na 3 až 6 měsíců. Předejdete tak vypršení časového limitu sestavy nebo překročení limitu řádků, který je ve standardních zobrazeních obvykle kolem 50 000.
Výběr sloupců: Vyberte konkrétní pole s časovými razítky. Nepoužívejte vypočítaná pole, například „Days since check-in“, ale raději absolutní datum a čas „Check-in Date/Time“.
Práce s prázdnými hodnotami: Nastavte sestavu tak, aby chybějící data zobrazovala jako prázdné buňky, nikoli jako vlastní text, například „N/A“. Usnadníte tím zpracování skriptem.
Filtr oddělení: Pokud je organizace velká, filtrujte podle konkrétních míst poskytování služeb nebo oddělení, například „Cardiology“ či „Orthopedics“, aby datová sada zůstala přehledná.
Oprávnění: Uživatel potřebuje v athenaNet oprávnění „Report Creator“ nebo „Clinical Reporting“, aby mohl používat nástroj Custom Report Builder.

Ukázkový dotaz python

import pandas as pd
import numpy as np
from datetime import datetime

class=class="hl-string">"hl-comment"># Configuration: Input and Output filenames
INPUT_FILE = class="hl-string">'athena_raw_export.csv'
OUTPUT_FILE = class="hl-string">'patient_journey_event_log.csv'

class=class="hl-string">"hl-comment"># Load the raw wide-format report from athenaNet
class=class="hl-string">"hl-comment"># Assumes standard CSV export. Adjust encoding if necessary (e.g., class="hl-string">'utf-8-sig' or class="hl-string">'latin1')
df = pd.read_csv(INPUT_FILE, dtype=str)

class=class="hl-string">"hl-comment"># Define the mapping between Activity Names and the columns in your athenaNet report
class=class="hl-string">"hl-comment"># You must ensure these column names match your Report Builder export headers exactly
activity_mapping = {
    class="hl-string">'Appointment Scheduled': class="hl-string">'APPT_CREATED_TIMESTAMP',
    class="hl-string">'Patient Checked In': class="hl-string">'CHECKIN_TIMESTAMP',
    class="hl-string">'Initial Assessment Completed': class="hl-string">'INTAKE_COMPLETED_TIMESTAMP',
    class="hl-string">'Diagnostic Test Ordered': class="hl-string">'ORDER_ENTRY_TIMESTAMP',
    class="hl-string">'Specimen Collected': class="hl-string">'LAB_COLLECTION_TIMESTAMP',
    class="hl-string">'Test Results Received': class="hl-string">'LAB_RESULT_TIMESTAMP',
    class="hl-string">'Diagnosis Confirmed': class="hl-string">'DIAGNOSIS_ENTRY_TIMESTAMP',
    class="hl-string">'Treatment Plan Developed': class="hl-string">'PLAN_NOTE_TIMESTAMP',
    class="hl-string">'Medication Administered': class="hl-string">'MED_ADMIN_TIMESTAMP',
    class="hl-string">'Procedure Performed': class="hl-string">'PROCEDURE_END_TIMESTAMP',
    class="hl-string">'Patient Transferred': class="hl-string">'TRANSFER_TIMESTAMP',
    class="hl-string">'Discharge Order Written': class="hl-string">'DISCHARGE_ORDER_TIMESTAMP',
    class="hl-string">'Patient Discharged': class="hl-string">'DISCHARGE_TIMESTAMP',
    class="hl-string">'Follow-Up Appointment Scheduled': class="hl-string">'NEXT_APPT_CREATED_TIMESTAMP',
    class="hl-string">'Claim Submitted': class="hl-string">'CLAIM_SUBMISSION_TIMESTAMP'
}

class=class="hl-string">"hl-comment"># Define attribute columns to carry over to every event row
attribute_columns = {
    class="hl-string">'ENCOUNTER_ID': class="hl-string">'PatientEpisodeId',
    class="hl-string">'PATIENT_ID': class="hl-string">'PatientId',
    class="hl-string">'PROVIDER_NAME': class="hl-string">'ProviderName',
    class="hl-string">'DEPARTMENT_NAME': class="hl-string">'DepartmentName',
    class="hl-string">'PRIMARY_DIAGNOSIS_CODE': class="hl-string">'PrimaryDiagnosisCode',
    class="hl-string">'PATIENT_AGE': class="hl-string">'PatientAgeGroup',
    class="hl-string">'ENCOUNTER_TYPE': class="hl-string">'EncounterType',
    class="hl-string">'DISCHARGE_DISPOSITION': class="hl-string">'DischargeDisposition',
    class="hl-string">'IS_READMISSION': class="hl-string">'IsReadmission'
}

class=class="hl-string">"hl-comment"># Initialize list to hold event rows
event_log_data = []

class=class="hl-string">"hl-comment"># Transformation Loop
for index, row in df.iterrows():
    episode_id = row.get(class="hl-string">'ENCOUNTER_ID')
    
    class=class="hl-string">"hl-comment"># Skip rows without a valid identifier
    if pd.isna(episode_id) or str(episode_id).strip() == class="hl-string">'':
        continue

    class=class="hl-string">"hl-comment"># Iterate through each defined activity
    for activity_name, col_name in activity_mapping.items():
        timestamp_val = row.get(col_name)
        
        class=class="hl-string">"hl-comment"># Only create an event if a valid timestamp exists
        if pd.notna(timestamp_val) and str(timestamp_val).strip() != class="hl-string">'':
            
            class=class="hl-string">"hl-comment"># Create base event object
            event = {
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': activity_name,
                class="hl-string">'EventTimestamp': timestamp_val,
                class="hl-string">'SourceSystem': class="hl-string">'athenahealth',
                class="hl-string">'LastDataUpdate': datetime.now().strftime(class="hl-string">'%Y-%m-%d %H:%M:%S')
            }
            
            class=class="hl-string">"hl-comment"># Add attributes
            for csv_col, target_col in attribute_columns.items():
                event[target_col] = row.get(csv_col, None)
            
            event_log_data.append(event)

class=class="hl-string">"hl-comment"># Create DataFrame from the list of events
event_log_df = pd.DataFrame(event_log_data)

class=class="hl-string">"hl-comment"># Standardize Date Format (ISO 8601 Recommended)
class=class="hl-string">"hl-comment"># Adjust the format string matches the raw CSV format (e.g., class="hl-string">'%m/%d/%Y %H:%M')
event_log_df[class="hl-string">'EventTimestamp'] = pd.to_datetime(event_log_df[class="hl-string">'EventTimestamp'], errors=class="hl-string">'coerce')

class=class="hl-string">"hl-comment"># Remove rows where timestamp parsing failed
event_log_df = event_log_df.dropna(subset=[class="hl-string">'EventTimestamp'])

class=class="hl-string">"hl-comment"># Sort by Episode and Time
event_log_df = event_log_df.sort_values(by=[class="hl-string">'PatientEpisodeId', class="hl-string">'EventTimestamp'])

class=class="hl-string">"hl-comment"># Output to CSV
event_log_df.to_csv(OUTPUT_FILE, index=False)

print(fclass="hl-string">"Transformation complete. Processed {len(df)} encounters into {len(event_log_df)} events.")
print(fclass="hl-string">"File saved to: {OUTPUT_FILE}")

Kroky

Registrace aplikace API: Přihlaste se do portálu athenahealth Developer Portal a zaregistrujte novou aplikaci. Získáte tak Client ID a Client Secret. Ověřte, že má aplikace oprávnění pro Appointments, Clinicals (Charts), Orders a Billing (Claims).
Nastavení prostředí Python: Pomocí pip install requests pandas nainstalujte do prostředí potřebné knihovny Pythonu (requests, pandas).
Ověření: Implementujte tok OAuth 2.0 Client Credentials, abyste získali přístupový token. Tento token je nutné uvést v hlavičce Authorization (Bearer token) všech následujících volání API.
Vymezení rozsahu: Nastavte Practice ID a období extrakce. API athenahealth jsou specifická pro jednotlivé ordinace, takže při správě více ordinací je nutné postupně zpracovat každé Practice ID.
Extrakce objednaných návštěv: Načtěte základní epizody péče z endpointu /appointments/booked nebo /appointments/changed. Namapujte ID objednané návštěvy na PatientEpisodeId. Z data vytvoření získejte „Appointment Scheduled“ a z času příchodu „Patient Checked In“.
Zpracování klinických událostí v jednotlivých epizodách: Pro každé ID objednané návštěvy (epizodu péče) načtěte příslušné klinické podendpointy. Zavolejte /chart/{encounterId}/vitals pro „Initial Assessment Completed“. Zavolejte /chart/{encounterId}/orders pro „Diagnostic Test Ordered“, „Specimen Collected“ (podle stavu) a „Discharge Order Written“.
Načtení výsledků a diagnóz: Načtěte „Test Results Received“ z endpointu /chart/{encounterId}/analyteresults nebo /chart/{encounterId}/labresults. Z endpointu /chart/{encounterId}/diagnoses načtěte „Diagnosis Confirmed“.
Extrakce léčby a zákroků: Načtěte „Treatment Plan Developed“ z endpointu /chart/{encounterId}/plan, „Procedure Performed“ z /chart/{encounterId}/procedures a „Medication Administered“ z /chart/{encounterId}/medications/admin.
Identifikace ADT a nároků: K zachycení událostí „Patient Transferred“ a „Patient Discharged“ použijte historii stavů objednané návštěvy nebo konkrétní nemocniční endpointy, pokud jsou k dispozici. Z endpointu /claims souvisejícího s objednanou návštěvou načtěte „Claim Submitted“.
Propojení následných návštěv: Událost „Follow-Up Appointment Scheduled“ určete vyhledáním dalších objednaných návštěv vytvořených pro stejné ID pacienta v časovém rámci dané epizody péče.
Transformace a převod do ploché struktury: Zpracujte vnořené odpovědi JSON do plochého seznamu slovníků událostí. Všechna časová razítka převeďte do formátu ISO 8601. Namapujte pole na ActivityName, PatientEpisodeId a EventTimestamp.
Export dat: Načtěte seznam slovníků do pandas DataFrame, proveďte závěrečné čištění včetně zpracování prázdných hodnot a exportujte data do souboru CSV připraveného k načtení do ProcessMind.

Konfigurace

Přihlašovací údaje API: Potřebujete platné Client ID a Client Secret z portálu athenahealth Developer Portal a přístup do produkčního prostředí.
Practice ID: Jedinečný číselný identifikátor ordinace. Pokud extrahujete data za celou síť, je nutné skript spustit pro každou ordinaci zvlášť.
Období: Vzhledem k objemu podrobných klinických dat doporučujeme extrahovat data za 3 až 6 měsíců.
Omezení počtu volání: athenaOne API má přísné limity, například 5 volání za sekundu. Skript obsahuje funkci sleep, ale při extrakci dat v podnikovém měřítku je vhodné použít exponenciální prodlevy mezi opakovanými pokusy.
Oprávnění: Ověřte, že token má oprávnění athena/service/Athenanet.MDP.* nebo konkrétní oprávnění pro objednané návštěvy, zdravotnickou dokumentaci a finanční data.
Stránkování: Většina endpointů vrací omezený počet záznamů, standardně 1 000. Skript musí zpracovat parametry next nebo offset.
Filtr oddělení: Pokud analyzujete konkrétní průběhy péče, například urgentní nebo ambulantní, filtrujte podle ID oddělení už při načítání objednaných návštěv.

Ukázkový dotaz python

import requests
import pandas as pd
import time
from datetime import datetime, timedelta
import base64

class=class="hl-string">"hl-comment"># Configuration
API_KEY = class="hl-string">'YOUR_CLIENT_ID'
API_SECRET = class="hl-string">'YOUR_CLIENT_SECRET'
PRACTICE_ID = class="hl-string">'195900'  class=class="hl-string">"hl-comment"># Replace with your Practice ID
BASE_URL = class="hl-string">'https://api.athenahealth.com/preview1'  class=class="hl-string">"hl-comment"># Use production URL for live data
START_DATE = class="hl-string">'01/01/2023'
END_DATE = class="hl-string">'01/31/2023'
OUTPUT_FILE = class="hl-string">'athena_patient_journey.csv'

def get_access_token():
    url = fclass="hl-string">'{BASE_URL}/oauth2/v1/token'
    auth_str = fclass="hl-string">'{API_KEY}:{API_SECRET}'
    b64_auth = base64.b64encode(auth_str.encode()).decode()
    headers = {
        class="hl-string">'Authorization': fclass="hl-string">'Basic {b64_auth}',
        class="hl-string">'Content-Type': class="hl-string">'application/x-www-form-urlencoded'
    }
    data = {class="hl-string">'grant_type': class="hl-string">'client_credentials', class="hl-string">'scope': class="hl-string">'athena/service/Athenanet.MDP.*'}
    response = requests.post(url, headers=headers, data=data)
    if response.status_code == 200:
        return response.json()[class="hl-string">'access_token']
    else:
        raise Exception(fclass="hl-string">'Auth failed: {response.text}')

def fetch_paginated(url, headers, params):
    results = []
    while True:
        response = requests.get(url, headers=headers, params=params)
        if response.status_code == 429:
            time.sleep(2)
            continue
        if response.status_code != 200:
            print(fclass="hl-string">'Error fetching {url}: {response.status_code}')
            break
        data = response.json()
        if class="hl-string">'totalcount' in data and data[class="hl-string">'totalcount'] == 0:
            break
        class=class="hl-string">"hl-comment"># Handle different response structures (key might be appointments, orders, etc.)
        keys = [k for k in data.keys() if k not in [class="hl-string">'totalcount', class="hl-string">'next', class="hl-string">'previous']]
        if keys:
            results.extend(data[keys[0]])
        
        if class="hl-string">'next' in data and data[class="hl-string">'next']:
             class=class="hl-string">"hl-comment"># Athena pagination often uses offset or a link
             class=class="hl-string">"hl-comment"># Adjust based on specific endpoint logic if next is not a full URL
             params[class="hl-string">'offset'] = params.get(class="hl-string">'offset', 0) + len(data[keys[0]])
        else:
            break
    return results

def extract_events():
    token = get_access_token()
    headers = {class="hl-string">'Authorization': fclass="hl-string">'Bearer {token}'}
    events = []

    class=class="hl-string">"hl-comment"># 1. Fetch Appointments (Patient Episodes)
    class=class="hl-string">"hl-comment"># Using /appointments/booked for the range
    print(class="hl-string">'Fetching appointments...')
    appt_params = {
        class="hl-string">'startdate': START_DATE,
        class="hl-string">'enddate': END_DATE,
        class="hl-string">'showclaimdetail': class="hl-string">'true',  class=class="hl-string">"hl-comment"># optimize to get claim info early
        class="hl-string">'ignorepartners': class="hl-string">'true'
    }
    appointments = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/appointments/booked', headers, appt_params)

    for appt in appointments:
        episode_id = str(appt.get(class="hl-string">'appointmentid'))
        patient_id = appt.get(class="hl-string">'patientid')
        dept_id = appt.get(class="hl-string">'departmentid')
        provider_id = appt.get(class="hl-string">'providerid')
        
        class=class="hl-string">"hl-comment"># Base Activity: Appointment Scheduled
        if appt.get(class="hl-string">'date'): class=class="hl-string">"hl-comment"># capturing creation/scheduled date requires parsing history or booking info
            class=class="hl-string">"hl-comment"># Fallback to date if created date unavailable, but typically we want class="hl-string">'scheduleddatetime'
            sched_time = appt.get(class="hl-string">'scheduleddatetime', appt.get(class="hl-string">'date') + class="hl-string">' ' + appt.get(class="hl-string">'starttime'))
            events.append({
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': class="hl-string">'Appointment Scheduled',
                class="hl-string">'EventTimestamp': sched_time,
                class="hl-string">'SourceSystem': class="hl-string">'athenaOne',
                class="hl-string">'PatientId': patient_id,
                class="hl-string">'DepartmentName': dept_id
            })

        class=class="hl-string">"hl-comment"># Activity: Patient Checked In
        if appt.get(class="hl-string">'startcheckin'):
            events.append({
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': class="hl-string">'Patient Checked In',
                class="hl-string">'EventTimestamp': appt.get(class="hl-string">'date') + class="hl-string">' ' + appt.get(class="hl-string">'startcheckin'), class=class="hl-string">"hl-comment"># combining date and time
                class="hl-string">'SourceSystem': class="hl-string">'athenaOne',
                class="hl-string">'PatientId': patient_id
            })
            
        class=class="hl-string">"hl-comment"># Activity: Patient Discharged (Ambulatory Checkout)
        if appt.get(class="hl-string">'stopcheckin'):
            events.append({
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': class="hl-string">'Patient Discharged',
                class="hl-string">'EventTimestamp': appt.get(class="hl-string">'date') + class="hl-string">' ' + appt.get(class="hl-string">'stopcheckin'),
                class="hl-string">'SourceSystem': class="hl-string">'athenaOne',
                class="hl-string">'PatientId': patient_id,
                class="hl-string">'DischargeDisposition': class="hl-string">'Home' class=class="hl-string">"hl-comment"># Default for ambulatory
            })

        class=class="hl-string">"hl-comment"># Activity: Claim Submitted
        if class="hl-string">'claimid' in appt:
             class=class="hl-string">"hl-comment"># Ideally query /claims/{claimId} for exact submission timestamp
             class=class="hl-string">"hl-comment"># Using appointment date as proxy if detailed claim fetch skipped
             class=class="hl-string">"hl-comment"># Here we assume we fetch claim details:
             claim_res = requests.get(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/claims/{appt["claimid"]}', headers=headers)
             if claim_res.status_code == 200:
                 claim_data = claim_res.json()
                 if claim_data.get(class="hl-string">'billedservicedate'):
                     events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Claim Submitted',
                        class="hl-string">'EventTimestamp': claim_data.get(class="hl-string">'createddate', claim_data.get(class="hl-string">'billedservicedate')) + class="hl-string">' 12:00:00',
                        class="hl-string">'SourceSystem': class="hl-string">'athenaCollector',
                        class="hl-string">'PatientId': patient_id
                     })

        class=class="hl-string">"hl-comment"># Clinical Data Extraction (Requires Encounter Context)
        encounter_id = appt.get(class="hl-string">'encounterid')
        if encounter_id:
            class=class="hl-string">"hl-comment"># Activity: Initial Assessment (Vitals)
            vitals = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/vitals', headers, {})
            if vitals:
                class=class="hl-string">"hl-comment"># Take the first vital sign entry time
                first_vital = sorted(vitals, key=lambda x: x.get(class="hl-string">'date') or class="hl-string">'')[0]
                events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Initial Assessment Completed',
                    class="hl-string">'EventTimestamp': first_vital.get(class="hl-string">'date') + class="hl-string">' ' + (first_vital.get(class="hl-string">'time') or class="hl-string">'00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals',
                    class="hl-string">'PatientId': patient_id
                })

            class=class="hl-string">"hl-comment"># Activity: Diagnoses
            diagnoses = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/diagnoses', headers, {})
            for diag in diagnoses:
                events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Diagnosis Confirmed',
                    class="hl-string">'EventTimestamp': diag.get(class="hl-string">'lastmodifieddatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals',
                    class="hl-string">'PrimaryDiagnosisCode': diag.get(class="hl-string">'diagnosiscode')
                })

            class=class="hl-string">"hl-comment"># Activity: Orders (Labs, Procedures, Discharge)
            orders = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/orders', headers, {})
            for order in orders:
                order_type = order.get(class="hl-string">'documentationtype', class="hl-string">'')
                created_time = order.get(class="hl-string">'createddatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00')
                
                if class="hl-string">'LAB' in order_type.upper() or class="hl-string">'IMAGING' in order_type.upper():
                    events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Diagnostic Test Ordered',
                        class="hl-string">'EventTimestamp': created_time,
                        class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                    })
                    class=class="hl-string">"hl-comment"># Activity: Specimen Collected (Inferred from status or specific fields if available)
                    if order.get(class="hl-string">'status') in [class="hl-string">'COMPLETED', class="hl-string">'REVIEW']:
                         events.append({
                            class="hl-string">'PatientEpisodeId': episode_id,
                            class="hl-string">'ActivityName': class="hl-string">'Specimen Collected',
                            class="hl-string">'EventTimestamp': order.get(class="hl-string">'lastmodifieddatetime', created_time), class=class="hl-string">"hl-comment"># Approximation
                            class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                        })
                
                if class="hl-string">'SURGERY' in order_type.upper() or class="hl-string">'PROCEDURE' in order_type.upper():
                     events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Procedure Performed',
                        class="hl-string">'EventTimestamp': order.get(class="hl-string">'performdate', created_time),
                        class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                    })

                if class="hl-string">'DISCHARGE' in order_type.upper():
                    events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Discharge Order Written',
                        class="hl-string">'EventTimestamp': created_time,
                        class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                    })

            class=class="hl-string">"hl-comment"># Activity: Test Results Received
            results = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/analyteresults', headers, {})
            for res in results:
                events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Test Results Received',
                    class="hl-string">'EventTimestamp': res.get(class="hl-string">'analytedatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                })

            class=class="hl-string">"hl-comment"># Activity: Treatment Plan
            class=class="hl-string">"hl-comment"># Check for Care Plan document or assessment note
            notes = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/progressnotes', headers, {})
            if notes:
                 events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Treatment Plan Developed',
                    class="hl-string">'EventTimestamp': notes[0].get(class="hl-string">'lastmodifieddatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                })

            class=class="hl-string">"hl-comment"># Activity: Medication Administered
            class=class="hl-string">"hl-comment"># Look for administration records
            meds = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/medications', headers, {})
            for med in meds:
                 if med.get(class="hl-string">'events'): class=class="hl-string">"hl-comment"># Check if administration events exist
                     for event in med[class="hl-string">'events']:
                         if event.get(class="hl-string">'type') == class="hl-string">'ADMINISTERED':
                             events.append({
                                class="hl-string">'PatientEpisodeId': episode_id,
                                class="hl-string">'ActivityName': class="hl-string">'Medication Administered',
                                class="hl-string">'EventTimestamp': event.get(class="hl-string">'eventdate'),
                                class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                             })

            class=class="hl-string">"hl-comment"># Activity: Patient Transferred (Inferred from Hospital Stay/ADT data if available)
            class=class="hl-string">"hl-comment"># Mocking logic: If department ID changes in encounter history (requires fetching history)
            class=class="hl-string">"hl-comment"># For standard API, we check if class="hl-string">'admissionstatus' indicates transfer
            pass class=class="hl-string">"hl-comment"># Complexity high for standard extraction without Hospital scope

            class=class="hl-string">"hl-comment"># Activity: Follow-Up Appointment Scheduled
            class=class="hl-string">"hl-comment"># We check if this patient has a FUTURE appointment created around this time
            class=class="hl-string">"hl-comment"># This requires a separate query or processing the full appointment list post-loop
            class=class="hl-string">"hl-comment"># Simplified: Logic placeholder
            pass 

    class=class="hl-string">"hl-comment"># Post-processing for Follow-Ups (simplified)
    class=class="hl-string">"hl-comment"># Sort all appts by patient and date, check next appt creation date
    
    class=class="hl-string">"hl-comment"># Convert to DataFrame
    df = pd.DataFrame(events)
    df[class="hl-string">'LastDataUpdate'] = datetime.now().isoformat()
    
    class=class="hl-string">"hl-comment"># Final Validation and Export
    if not df.empty:
        df[class="hl-string">'EventTimestamp'] = pd.to_datetime(df[class="hl-string">'EventTimestamp'])
        df.sort_values(by=[class="hl-string">'PatientEpisodeId', class="hl-string">'EventTimestamp'], inplace=True)
        df.to_csv(OUTPUT_FILE, index=False)
        print(fclass="hl-string">'Successfully exported {len(df)} rows to {OUTPUT_FILE}')
    else:
        print(class="hl-string">'No events extracted.')

if __name__ == class="hl-string">'__main__':
    extract_events()

Chcete začít?

Začněte zlepšovat péči o pacienty. Tato šablona je prvním krokem k užitečným poznatkům a lepším výsledkům zdravotní péče.

Zpět na průvodce zlepšováním

Stáhnout šablonu

Zlepšete cestu pacienta systémem péče a odstraňte úzká místa

Najděte neefektivní postupy v athenahealth a zkraťte dobu průchodu pacienta systémem péče o 30 %.

Začněte zkušební verzi

Platební kartu nepotřebujete. Začněte zlepšovat procesy ještě dnes.

Datová šablona pro cestu pacienta systémem péče

Datová šablona pro cestu pacienta systémem péče

Atributy cesty pacienta systémem péče

Aktivity na cestě pacienta systémem péče

Návody k extrakci dat

Vlastní export CSV z nástroje athenaNet Report Builder

Kroky

Konfigurace

Ukázkový dotaz python

Extrakce událostí z athenaOne API pomocí Pythonu

Kroky

Konfigurace

Ukázkový dotaz python

Chcete začít?

Zlepšete cestu pacienta systémem péče a odstraňte úzká místa