> Kontinuierliche Prozessverbesserung > Patientenreise > athenahealth > Daten Template

Ihr Daten-Template für den Behandlungsverlauf

athenahealth

← Zurück zum Leitfaden zur Prozessverbesserung

Attribute zum Behandlungsverlauf(19) Aktivitäten im Behandlungsverlauf(15) Anleitungen zur Datenextraktion(2)

Ihr Daten-Template für den Behandlungsverlauf

Dieses Template zeigt Ihnen, welche Daten Sie für die Analyse des Behandlungsverlaufs Ihrer Patienten erfassen sollten. Es beschreibt die erforderlichen Attribute und Aktivitäten und erklärt, wie Sie diese Informationen aus athenahealth extrahieren. So können Sie Ihre Daten für ein aussagekräftiges Process Mining vorbereiten.

Empfohlene Attribute für die Erfassung
Wichtige Aktivitäten für die Nachverfolgung
Anleitung zur Datenextraktion aus athenahealth

Neu bei Event Logs? Erfahren Sie, wie Sie ein Event Log für Process Mining erstellen.

Template herunterladen

Attribute zum Behandlungsverlauf

Diese empfohlenen Datenfelder sollten Sie in Ihr Event Log aufnehmen. Sie sind wichtig, um die Behandlungsverläufe Ihrer Patienten umfassend zu analysieren und zu verstehen.

5 Erforderlich 9 Empfohlen 5 Optional

	Name	Beschreibung
	Aktivitätsname ActivityName	Name des Ereignisses oder der Aufgabe im Behandlungsverlauf des Patienten.
Beschreibung Gibt den konkreten Prozessschritt an, zum Beispiel „Patient eingecheckt“, „Diagnostischer Test angeordnet“ oder „Medikament verabreicht“. Diese Textangabe bestimmt die Knoten in der Prozessdarstellung. Sie dient dazu, den Prozessablauf zu visualisieren und die Reihenfolge der Vorgänge zu erkennen. Einheitliche Bezeichnungen sind entscheidend für eine übersichtliche und gut lesbare Prozessdarstellung. Warum das wichtig ist Legt die Schritte in der Prozessdarstellung fest und ist für jedes Process Mining erforderlich. Woher beziehen Abgeleitet aus Audit-Protokollen, Änderungen des Terminstatus oder Beschreibungen von Abrechnungspositionen. Beispiele Termin vereinbartPatient angemeldetDiagnostische Untersuchung angeordnetPatient entlassen
	Ereignis-Timestamp EventTimestamp	Datum und Uhrzeit, zu denen die Aktivität stattgefunden hat.
Beschreibung Erfasst den genauen Zeitpunkt einer Aktivität. Damit lassen sich Ereignisse chronologisch ordnen und Zeitspannen zwischen Prozessschritten berechnen. Unverzichtbar für zeitbasierte Analysen, etwa von Zykluszeiten, Wartezeiten und Durchsatz. Eine hohe Genauigkeit erleichtert es, die Reihenfolge von Ereignissen am selben Tag zu bestimmen. Warum das wichtig ist Erforderlich, um Ereignisse zu ordnen und alle zeitbasierten KPIs zu berechnen. Woher beziehen Timestamp-Felder zu Statusänderungen oder Erstellungsdaten in athenahealth-Tabellen. Beispiele 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Letzte Datenaktualisierung LastDataUpdate	Timestamp der letzten Datenextraktion oder -aktualisierung.
Beschreibung Zeigt, wie aktuell die für die Analyse verwendeten Daten sind. So können Benutzer einschätzen, ob sie Echtzeitdaten oder einen historischen Datenstand betrachten. Dient der Verwaltung von Datenpipelines und stellt sicher, dass Dashboards den aktuellen Prozessstatus abbilden. Warum das wichtig ist Wichtig für die Data Governance und das Vertrauen der Benutzer in die Aktualität des Dashboards. Woher beziehen Systemzeit zum Zeitpunkt der ETL-Ausführung. Beispiele 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Patientenfall PatientEpisodeId	Eindeutige Kennung für den jeweiligen Patientenfall oder Behandlungsverlauf.
Beschreibung Dieses Attribut dient als zentrale Case-ID. Es gruppiert alle Aktivitäten, die zu einem bestimmten Behandlungszeitraum oder Krankheitsbild eines Patienten gehören. So werden einzelne Ereignisse wie Termine, diagnostische Aufträge und Entlassungsverfahren zu einem zusammenhängenden Behandlungsverlauf verknüpft. In der Analyse ist diese ID der Primärschlüssel für Process Mining und ermöglicht die Rekonstruktion des gesamten Ablaufs. Mehrere Besuche desselben Patienten wegen unterschiedlicher Erkrankungen werden dadurch als getrennte Prozessinstanzen behandelt. Warum das wichtig ist Unverzichtbar, um den Umfang einer einzelnen Prozessinstanz in der Analyse festzulegen. Woher beziehen Wird durch Gruppierung von Encounter-IDs abgeleitet oder mit einer bestimmten Episode-of-Care-ID in athenahealth verknüpft. Beispiele EP-2023-88491EP-2023-99102ENC-55412-GRP
	Quellsystem SourceSystem	Name des Systems, aus dem die Daten stammen.
Beschreibung Gibt an, welches IT-System den Datensatz erzeugt hat, in diesem Fall „athenahealth“. Das ist besonders in Umgebungen mit mehreren Systemen hilfreich, in denen Daten zusammengeführt werden. Analysten können die Ansicht nach Datenquelle filtern und Probleme mit der Datenqualität gezielt einem System zuordnen. Warum das wichtig ist Liefert Informationen zur Datenherkunft und Kontext für Process-Mining-Umgebungen mit mehreren Systemen. Woher beziehen Fest codierter Wert oder ID der Systemkonfiguration. Beispiele athenahealthAthenaOneAthenaPractice
	Abteilungsname DepartmentName	Krankenhaus- oder Klinikabteilung, in der die Aktivität stattgefunden hat.
Beschreibung Gliedert die Prozessdaten nach Organisationseinheit, zum Beispiel Notaufnahme, Kardiologie oder Radiologie. Das ist für das Dashboard „Durchsatz und Übergaben zwischen Abteilungen“ erforderlich. Die Analyse dieses Attributs zeigt Engpässe in bestimmten Bereichen und hilft, den abteilungsübergreifenden Patientenfluss zu verbessern. Warum das wichtig ist Wichtig, um organisatorische Engpässe und ineffiziente Übergaben zu erkennen. Woher beziehen Die athenahealth-„departmentid“ wird dem Abteilungsnamen zugeordnet. Beispiele NotaufnahmeInnere MedizinRadiologie
	Altersgruppe des Patienten PatientAgeGroup	Kategorisierte Altersgruppe des Patienten, zum Beispiel 18–25 oder 65+.
Beschreibung Ordnet Patienten demografischen Gruppen zu. Dieses Attribut wird für das Dashboard zum Vergleich von Behandlungsverläufen nach Altersgruppe und Diagnose benötigt. So lässt sich feststellen, ob Prozessineffizienzen oder Behandlungsergebnisse bestimmte Altersgruppen, etwa ältere Menschen oder Kinder, überproportional betreffen. Warum das wichtig ist Standardmäßige demografische Segmentierung für die Analyse von Gesundheitsprozessen. Woher beziehen Abgeleitet aus dem Geburtsdatum des Patienten und StartTime. Beispiele 18-2930-4965+
	Behandlungsart EncounterType	Klassifizierung des Besuchs, zum Beispiel Praxisbesuch, Telemedizin oder Notfall.
Beschreibung Legt die Art oder den Rahmen der erbrachten Versorgung fest. In generischen Datenmodellen dient dieses Attribut als „Case-Typ“. Je nach Behandlungsart unterscheiden sich die erwarteten Abläufe und Abrechnungsanforderungen. Für aussagekräftige Zykluszeitanalysen müssen die Daten nach diesem Attribut gefiltert werden, damit nur vergleichbare Fälle gegenübergestellt werden. Warum das wichtig ist Unterscheidet Prozessvarianten wie Telemedizin und persönliche Behandlung. Woher beziehen Feld „encountertype“ in athenahealth. Beispiele PraxisbesuchTelemedizinNotfallOperation
	Endzeit des Ereignisses EventEndTime	Zeitpunkt, zu dem die jeweilige Aktivität abgeschlossen wurde.
Beschreibung Erfasst den Abschlusszeitpunkt einer Aktivität. Damit lässt sich die aktive Dauer, also die Verarbeitungszeit des Prozessschritts selbst, getrennt von der vorherigen Wartezeit berechnen. Dient dazu, die Ressourceneffizienz zu analysieren und Aufgaben zu erkennen, deren manuelle Ausführung länger als erwartet dauert. Warum das wichtig ist Ermöglicht die Berechnung der aktiven Verarbeitungszeit im Vergleich zur passiven Wartezeit. Woher beziehen Check-out-Zeit, Zeitpunkt der Ergebnisverifizierung oder spezifische Abschluss-Timestamps in athenahealth. Beispiele 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Entlassungsziel DischargeDisposition	Ziel oder Status des Patienten bei der Entlassung.
Beschreibung Gibt an, wohin der Patient nach dem Behandlungsfall gegangen ist, zum Beispiel nach Hause, in eine Pflegeeinrichtung oder in ein Hospiz. Das ist wichtig für die Analyse der Entlassungsplanung und der Wiederaufnahmetrends. Das Attribut gibt Aufschluss über die Komplexität der erforderlichen Entlassungsplanung und hilft, die Wirksamkeit von Übergängen in der Versorgung zu beurteilen. Warum das wichtig ist Wichtiger Kontext für die Entlassungsplanung und das Wiederaufnahmerisiko. Woher beziehen Encounter-Felder in athenahealth oder Entlassungsdatensätze des Krankenhauses. Beispiele Nach HausePflegeeinrichtungIn ein Akutkrankenhaus verlegtVerstorben
	Name des Leistungserbringers ProviderName	Name der medizinischen Fachkraft, die die Aktivität ausführt.
Beschreibung Gibt an, welcher Arzt, welche Pflegekraft oder welcher Techniker für das Ereignis verantwortlich ist. Dieses Attribut ist zentral für die Analyse der Ressourcenauslastung. Damit lassen sich Leistungskennzahlen wie Durchsatz und Zykluszeit zwischen Mitarbeitenden vergleichen, um Schulungsbedarf oder eine ungleiche Arbeitsbelastung zu erkennen. Warum das wichtig ist Wichtig für die Kennzahl „Ressourcenauslastung“ und die Analyse von Übergaben. Woher beziehen Die athenahealth-„providerid“ wird dem Namen im Anbieter-Verzeichnis zugeordnet. Beispiele Dr. SmithPflegekraft JonesTechniker Adams
	Patienten-ID PatientId	Eindeutige Kennung des Patienten, anonymisiert oder gehasht.
Beschreibung Identifiziert den Patienten im Behandlungsverlauf eindeutig. Anders als bei der Case-ID kann ein Patient im Laufe der Zeit mehrere Behandlungsfälle haben. Dient dazu, wiederholte Besuche zu verknüpfen und Wiederaufnahmeraten zu analysieren. Für die KPI „Anteil ungeplanter Wiederaufnahmen“ ist diese Kennung unverzichtbar. Warum das wichtig ist Erforderlich, um Wiederaufnahmen und die Patientenhistorie über mehrere Behandlungsfälle hinweg nachzuverfolgen. Woher beziehen Feld „patientid“ in athenahealth. Beispiele PAT-100234PAT-559201PAT-992210
	Primärer Diagnosecode PrimaryDiagnosisCode	Der primäre ICD-10-Code des Behandlungsfalls.
Beschreibung Ordnet den Behandlungsverlauf dem klinischen Grund zu. Das liefert den Kontext für den Vergleich von Behandlungsverläufen nach Altersgruppe und Diagnose. Analysten können Verläufe nach Erkrankung segmentieren, zum Beispiel Lungenentzündung oder Knochenbruch. Je nach Erkrankung unterscheiden sich die erwarteten Abläufe und Zykluszeiten erheblich. Warum das wichtig ist Ermöglicht den Vergleich ähnlicher Fälle, denn die Zykluszeiten unterscheiden sich je nach Diagnose stark. Woher beziehen Diagnosefelder des Encounters oder Anspruchs (ICD-10). Beispiele J18.9I10E11.9
	Wiederaufnahme IsReadmission	Kennzeichen dafür, ob es sich bei diesem Behandlungsfall um eine ungeplante Rückkehr handelt.
Beschreibung Ein boolesches Kennzeichen, das angibt, ob der Patient innerhalb eines festgelegten Zeitraums, zum Beispiel 30 Tage, nach einer früheren Entlassung ins Krankenhaus zurückgekehrt ist. Dieses Attribut unterstützt direkt die KPI „Anteil ungeplanter Wiederaufnahmen“. Durch Filtern nach diesem Attribut können Analysten die Ursachen von Wiederaufnahmen genauer untersuchen und Muster in den ursprünglichen Behandlungsverläufen erkennen. Warum das wichtig ist Unterstützt direkt die KPI zur Wiederaufnahmerate. Woher beziehen Wird während des ETL-Prozesses berechnet, indem das Aufnahmedatum mit dem Datum der vorherigen Entlassung verglichen wird. Beispiele truefalse
	Anspruchsstatus ClaimStatus	Status des mit der Behandlung verbundenen finanziellen Anspruchs.
Beschreibung Zeigt den Bearbeitungsstand des Abrechnungsanspruchs an, zum Beispiel „Übermittelt“, „Abgelehnt“ oder „Bezahlt“. Das ist für die Aktivität „Anspruch übermittelt“ und den finanziellen Durchsatz relevant. So lässt sich erkennen, ob Probleme mit der klinischen Dokumentation zu Verzögerungen in der nachgelagerten Abrechnung führen. Warum das wichtig ist Stellt den Zusammenhang zwischen klinischer Effizienz und der Leistung des Abrechnungsprozesses her. Woher beziehen Feld „claimstatus“ in athenahealth. Beispiele ABGERECHNETZURÜCKGESTELLTEINGEREICHT
	Auftragsart OrderType	Kategorie des Auftrags, zum Beispiel Labor, Bildgebung oder Rezept.
Beschreibung Klassifiziert die während des Behandlungsfalls erteilten klinischen Aufträge. Das ist wichtig für das Dashboard „Durchlaufzeit diagnostischer Tests“. Analysten können die Durchlaufzeiten für Labor und Bildgebung getrennt messen. Für diese Bereiche gelten oft unterschiedliche Service-Level-Vereinbarungen und es treten unterschiedliche Engpässe auf. Warum das wichtig ist Gliedert den Diagnoseprozess für gezielte Durchlaufzeitanalysen. Woher beziehen „ordertype“ oder „class“ in der athenahealth-Orders-API. Beispiele LaborBildgebungRezeptEingriff
	Gesamter Rechnungsbetrag TotalChargeAmount	Betrag, der für die Aktivität oder den Behandlungsfall berechnet wird.
Beschreibung Finanzieller Wert einer Aktivität oder Gesamtbetrag eines Anspruchs. Damit lassen sich kostenbasierte Process-Mining-Analysen und Analysen der finanziellen Auswirkungen durchführen. Dient dazu, kostenintensive Abweichungen in Behandlungsverläufen zu erkennen und die Prozesseffizienz mit finanziellen Ergebnissen in Beziehung zu setzen. Warum das wichtig ist Ergänzt die Prozessanalyse um eine finanzielle Dimension. Woher beziehen „amount“ oder „totalcharge“ in den Anspruchs- oder Abrechnungstabellen von athenahealth. Beispiele 150.002500.5045.00
	Nacharbeit IsRework	Kennzeichen dafür, ob diese Aktivität wiederholt wurde.
Beschreibung Ein boolesches Kennzeichen, das den Wert „wahr“ hat, wenn die Aktivität im selben Case mehr als einmal aufgetreten ist. Es unterstützt das Dashboard „Aktivitätshäufigkeit und Nacharbeitsschleifen“. Damit lassen sich Cases mit Nacharbeit gezielt herausfiltern und die KPI „Häufigkeit von Nacharbeitsaktivitäten“ berechnen. Warum das wichtig ist Zeigt Prozessineffizienzen und überflüssige Schritte auf. Woher beziehen Wird während des ETL-Prozesses anhand der Aktivitätsvorkommen pro CaseId berechnet. Beispiele truefalse
	Status des Diagnoseergebnisses DiagnosticResultStatus	Ergebnisstatus eines diagnostischen Auftrags, zum Beispiel positiv oder unauffällig.
Beschreibung Erfasst das übergeordnete Ergebnis eines Tests. Das liefert Kontext für die Durchlaufzeit diagnostischer Tests und die anschließenden Behandlungsentscheidungen. Damit lässt sich untersuchen, ob auf auffällige Ergebnisse schneller reagiert wird als auf unauffällige. Warum das wichtig ist Stellt den Zusammenhang zwischen Prozessablauf und klinischen Ergebnissen her. Woher beziehen Beobachtungsfelder für Laborergebnisse in athenahealth. Beispiele UnauffälligAuffälligKritisch

Erforderlich Empfohlen Optional

Aktivitäten im Behandlungsverlauf

Erfassen Sie diese wichtigen Prozessschritte und Meilensteine in Ihrem Event Log, um die Patientenerfahrung präzise abzubilden und zu verbessern.

7 Empfohlen 8 Optional

	Aktivität	Beschreibung
	Diagnose bestätigt	Ein Kliniker weist dem Patienten für den aktuellen Besuch offiziell eine Diagnose zu oder bestätigt sie. Das Ereignis lässt sich anhand des Erstellungs- oder Aktualisierungs-Timestamps des primären Diagnosecodes, etwa ICD-10, ableiten, der dem Patientenbesuch zugeordnet ist.
Warum das wichtig ist Dieser wichtige Meilenstein bestimmt den weiteren Behandlungspfad. Die Analyse der Aktivitäten danach hilft, Unterschiede in der Versorgung zu verstehen und Behandlungsprotokolle zu standardisieren. Woher beziehen Lässt sich anhand der Problemliste des Patienten oder der Diagnosedaten des Besuchs ableiten. Eine Änderung oder endgültige Festlegung des Diagnosecodes samt Timestamp signalisiert dieses Ereignis. Erfassung Ermitteln Sie den Timestamp, zu dem die Hauptdiagnose für den Besuch hinzugefügt oder aktualisiert wird. Ereignistyp inferred
	Eingriff durchgeführt	Am Patienten wird ein klinischer Eingriff vorgenommen, etwa eine Operation oder eine spezialisierte Therapie. Dieses Ereignis wird ausdrücklich in der klinischen Dokumentation erfasst, häufig mit dokumentiertem Beginn und Ende in einem Eingriffsbericht.
Warum das wichtig ist Eingriffe sind wichtige Meilensteine in der Behandlung eines Patienten. Die Analyse der Aktivitäten davor und danach hilft, präoperative und postoperative Workflows zu optimieren. Woher beziehen Der Eintrag befindet sich in Eingriffsberichten oder bestimmten klinischen Flowsheets in athenaClinicals. Als Ereignis-Timestamp gilt der dokumentierte Beginn oder Abschluss des Eingriffs. Erfassung Ein Eingriffsbericht oder Protokoll mit dem Timestamp des Eingriffs wird erstellt. Ereignistyp explicit
	Entlassungsanordnung erstellt	Ein Arzt oder ein autorisierter Behandler erstellt eine offizielle Anordnung zur Entlassung des Patienten. Dieses Ereignis wird im CPOE-Modul des EHR ausdrücklich mit einem Timestamp erfasst.
Warum das wichtig ist Diese Aktivität leitet den Entlassungsprozess ein. Die Zeit zwischen der Anordnung und der tatsächlichen Entlassung ist eine wichtige Kennzahl für die Durchlaufzeit der Entlassungsplanung. Woher beziehen Der Eintrag befindet sich in der Auftragstabelle. Das Ereignis ist am Auftragstyp „Discharge“ und seinem Erstellungs-Timestamp zu erkennen. Erfassung In der Auftragstabelle wird ein neuer Eintrag mit dem Auftragstyp „Discharge“ erstellt. Ereignistyp explicit
	Erstuntersuchung abgeschlossen	Dieses Ereignis kennzeichnet den Abschluss der ersten klinischen Untersuchung, etwa der Triage oder der pflegerischen Erstbeurteilung, bei der Vitalwerte und Hauptbeschwerden erfasst werden. Häufig lässt es sich anhand des Timestamps der ersten unterzeichneten klinischen Notiz oder eines abgeschlossenen Beurteilungsformulars für den Besuch ableiten.
Warum das wichtig ist Dieser Meilenstein kennzeichnet den Beginn der klinischen Versorgung. Die Zeit von der Anmeldung bis zu dieser Aktivität ist eine wichtige Kennzahl für die anfängliche Wartezeit und die Reaktionsfähigkeit bei der Ressourcenzuteilung. Woher beziehen Lässt sich anhand des Erstellungs- oder Signatur-Timestamps bestimmter klinischer Dokumente oder Flowsheets in athenaClinicals ableiten. Dazu müssen die relevanten Dokumenttypen für Triage oder Aufnahme identifiziert werden. Erfassung Ermitteln Sie den ersten Timestamp in einer klinischen Notiz, einem Flowsheet mit Vitalwerten oder einem bestimmten Aufnahmeformular für den Besuch. Ereignistyp inferred
	Patient angemeldet	Diese Aktivität zeigt an, dass der Patient eingetroffen ist und sich offiziell für den vereinbarten Termin oder Besuch angemeldet hat. Sie wird in der Regel als ausdrückliche Statusänderung des Termineintrags in athenaClinicals oder athenaCommunicator erfasst.
Warum das wichtig ist Damit beginnt der Aufenthalt des Patienten vor Ort. Dieser Zeitpunkt ist entscheidend, um Wartezeiten und die gesamte Zykluszeit eines klinischen Besuchs zu messen. Woher beziehen Wird als Statusänderung in den Termin- oder Besuchstabellen erfasst. Suchen Sie nach dem Status „Checked-In“ und dem zugehörigen Timestamp. Erfassung Eine Statusänderung am Termin- oder Besuchsobjekt wird mit einem Timestamp protokolliert. Ereignistyp explicit
	Patient entlassen	Der Patient wurde offiziell entlassen. Damit ist der Aufenthalt in der Einrichtung beendet. Bei einem stationären Besuch ist dies das letzte ADT-Ereignis, das mit einem genauen Timestamp erfasst wird.
Warum das wichtig ist Dieses Ereignis markiert das Ende der Hauptreise des Patienten. Es bildet den Endpunkt für die Messung der gesamten Zykluszeit der Patientenreise und ist für die Analyse von Wiederaufnahmen wichtig. Woher beziehen Dieses Ereignis wird ausdrücklich im ADT-System oder in der Tabelle der Patientenbesuche erfasst. Es kennzeichnet den endgültigen Status des Besuchs als „Discharged“ und enthält einen Timestamp. Erfassung Der Status des Patientenbesuchs wird auf „Discharged“ gesetzt und ein ADT-Ereignis protokolliert. Ereignistyp explicit
	Untersuchungsergebnis eingegangen	Die Ergebnisse einer diagnostischen Untersuchung liegen endgültig vor und werden in der Patientenakte bereitgestellt. In der Regel wird dies erfasst, wenn das Labor- oder Bildgebungssystem die Ergebnisse an athenahealth übermittelt und dort einen Eintrag mit Timestamp erstellt.
Warum das wichtig ist Der Eingang der Ergebnisse ist ein wichtiger Auslöser für weitere klinische Entscheidungen, etwa zur Diagnose und Behandlungsplanung. Dieses Ereignis markiert den Endpunkt für die Messung der diagnostischen Durchlaufzeit. Woher beziehen Der Eintrag befindet sich in der Ergebnis- oder Diagnosetabelle und ist mit dem ursprünglichen Auftrag verknüpft. Als Ereignis-Timestamp gilt der Zeitpunkt, zu dem das Ergebnis in der Patientenakte abgelegt oder empfangen wurde. Erfassung Ein neuer Ergebniseintrag wird mit einem Timestamp erstellt, häufig über eine Schnittstelle zu einem LIS oder RIS. Ereignistyp explicit
	Abrechnungsantrag eingereicht	Für die während des Patientenbesuchs erbrachten Leistungen wird ein Abrechnungsantrag erstellt und beim Kostenträger eingereicht. Dieses Ereignis wird ausdrücklich im Modul athenaCollector für das Revenue Cycle Management erfasst.
Warum das wichtig ist Dieser administrative Schritt ist wichtig, um den parallel zum klinischen Behandlungsverlauf ablaufenden Abrechnungsprozess zu analysieren. So lassen sich Verzögerungen zwischen der medizinischen Versorgung und der Abrechnung erkennen. Woher beziehen Zu finden in den Tabellen für Ansprüche oder Abrechnungen. Das Ereignis wird durch den Timestamp der Anspruchserstellung oder -übermittlung gekennzeichnet. Erfassung Ein Anspruchsdatensatz wird erstellt und sein Status mit einem Timestamp auf „Übermittelt“ gesetzt. Ereignistyp explicit
	Behandlungsplan erstellt	Dieses Ereignis bezeichnet die formelle Erstellung und Dokumentation eines Behandlungsplans durch einen Kliniker. Es lässt sich anhand der Erstellung oder Unterzeichnung eines bestimmten Dokuments zum Behandlungsplan oder einer Reihe zusammengehöriger Behandlungsaufträge erfassen.
Warum das wichtig ist Mit dieser Aktivität wird der vorgesehene klinische Behandlungspfad festgelegt. Sie ist ein wichtiger Bezugspunkt, um die Einhaltung standardisierter Protokolle zu messen und Unterschiede in der Versorgung zu analysieren. Woher beziehen Der Eintrag befindet sich wahrscheinlich in den Tabellen für klinische Dokumente oder Aufträge. Als Ereignis-Timestamp gilt der Zeitpunkt, zu dem eine Notiz zum Behandlungsplan unterzeichnet oder eine abgestimmte Reihe von Behandlungsaufträgen übermittelt wurde. Erfassung Als Ereignis gilt der Erstellungs- oder Abschluss-Timestamp eines bestimmten Behandlungsplandokuments oder Auftragssatzes. Ereignistyp explicit
	Diagnostische Untersuchung angeordnet	Ein Behandler ordnet eine diagnostische Untersuchung an, zum Beispiel eine Laboruntersuchung, eine bildgebende Untersuchung oder einen anderen Eingriff. Dieses Ereignis wird über die CPOE-Funktion (Computerized Provider Order Entry) in athenaClinicals ausdrücklich mit einem Timestamp erfasst.
Warum das wichtig ist Dieser kritische Entscheidungspunkt leitet einen diagnostischen Teilprozess ein. Die Aktivität muss erfasst werden, um die Kennzahl „Durchlaufzeit diagnostischer Untersuchungen“ von der Anordnung bis zum Befund zu analysieren. Woher beziehen Der Eintrag befindet sich in der Auftragstabelle. Jeder Auftrag enthält eine Patientenkennung, den Auftragsnamen, den Auftragsstatus und einen Erstellungs-Timestamp. Erfassung In der Auftragstabelle des Systems wird mit einem Timestamp ein neuer Eintrag erstellt. Ereignistyp explicit
	Medikament verabreicht	Das klinische Personal verabreicht dem Patienten ein Medikament. Jede Dosis wird im Medication Administration Record (MAR)-Modul von athenaClinicals ausdrücklich mit einem genauen Timestamp erfasst.
Warum das wichtig ist Diese Aktivität steht für eine direkte Behandlungsmaßnahme. Anhand ihres Zeitpunkts lässt sich die Zeit bis zur ersten Behandlung messen und die Einhaltung von Medikamentenplänen überprüfen. Woher beziehen Der Eintrag befindet sich in den MAR-Datentabellen. Jedes Verabreichungsereignis enthält eine Patienten-ID, eine Medikamenten-ID, die Dosierung und den Timestamp der Verabreichung. Erfassung Jedes Mal, wenn die Verabreichung eines Medikaments dokumentiert wird, erstellt das MAR einen Eintrag mit Timestamp. Ereignistyp explicit
	Nachsorgetermin vereinbart	Nach der Hauptbehandlung oder Entlassung wird ein Nachsorgetermin für den Patienten vereinbart. Dieses Ereignis wird ausdrücklich erfasst, wenn im Terminplanungsmodul athenaCommunicator ein neuer Termin angelegt wird.
Warum das wichtig ist Diese Aktivität ist wichtig, um die Koordination der Nachversorgung und ihre Auswirkungen auf Ergebnisse wie Wiederaufnahmeraten zu verstehen. Sie zeigt, ob die Versorgung kontinuierlich erfolgt. Woher beziehen Wird in der Termintabelle erfasst. Das Ereignis ist am Erstellungs-Timestamp eines Termins zu erkennen, der nach dem Entlassungsdatum stattfindet. Erfassung Im Terminplanungssystem wird ein neuer Termineintrag erstellt. Ereignistyp explicit
	Patient verlegt	Der Patient wird von einer Versorgungseinheit oder Abteilung in eine andere verlegt, zum Beispiel von der Notaufnahme auf eine Station. Dieses Ereignis wird im EHR ausdrücklich als ADT-Ereignis (Admission, Discharge, Transfer) erfasst.
Warum das wichtig ist Diese Aktivität ist entscheidend für die Analyse von Übergaben zwischen Abteilungen und des Patientenflusses innerhalb einer Einrichtung. Sie hilft, Engpässe bei der „Übergabezeit“ und der Ressourcenzuteilung zu erkennen. Woher beziehen Wird im ADT-Event-Log oder in den Tabellen zur Patientenverfolgung erfasst. Jedes Transferereignis enthält den Patienten, den Ausgangs- und Zielort sowie einen Timestamp. Erfassung Bei der Verlegung des Patienten wird eine ADT-Nachricht oder ein Event-Log-Eintrag mit Timestamp erstellt. Ereignistyp explicit
	Probe entnommen	Dieses Ereignis bezeichnet die Entnahme einer biologischen Probe, etwa einer Blut- oder Urinprobe, für eine Laboruntersuchung. Es wird in der Regel ausdrücklich im Labormodul oder als Änderung des Auftragsstatus protokolliert.
Warum das wichtig ist Dies ist ein wichtiger Meilenstein im diagnostischen Prozess. Die Zeit zwischen Anordnung, Probenentnahme und Befund kann erhebliche Engpässe in Laborabläufen aufzeigen. Woher beziehen Dieses Ereignis ist als Statusänderung des Laborauftrags oder als separates Ereignis in einem mit athenahealth verbundenen Laborinformationssystem zu finden. Suchen Sie nach dem Status „Collected“ und dem zugehörigen Timestamp. Erfassung Wird als Aktualisierung des Laborauftragsstatus oder in einem speziellen Modul zur Probenverfolgung protokolliert. Ereignistyp explicit
	Termin vereinbart	Dieses Ereignis bezeichnet die Buchung eines Patiententermins. Es wird ausdrücklich erfasst, wenn ein Benutzer im Terminplanungsmodul athenaCommunicator von athenahealth einen neuen Termin anlegt und bestätigt.
Warum das wichtig ist Für viele Patientenreisen ist dies der erste Kontaktpunkt. Die Zeit zwischen Terminvereinbarung und Anmeldung gibt Aufschluss über den Zugang zur Versorgung und die Effizienz vor dem Besuch. Woher beziehen Dieses Ereignis wird ausdrücklich in den Termin- oder Planungstabellen protokolliert. In der Regel sind ein Erstellungs-Timestamp und eine Patienten-ID zugeordnet. Erfassung Das Ereignis wird erfasst, wenn im Terminplanungsmodul ein Termineintrag erstellt wird. Ereignistyp explicit

Anleitungen zur Datenextraktion

So exportieren Sie Ihre Daten aus athenahealth

Schritte

Melden Sie sich mit Ihren sicheren Zugangsdaten im athenaNet-Portal an.
Öffnen Sie über das Hauptmenü das Modul „Reports“. Es befindet sich üblicherweise unter „Reports“ > „Report Builder“ oder „Custom Reports“.
Klicken Sie auf „Create New Report“ und wählen Sie „Encounters“ oder „Patient Visit“ als Hauptkategorie des Berichts. So beziehen sich die detaillierten Daten auf den jeweiligen Behandlungsfall.
Suchen Sie im Bereich „Columns“ oder „Fields“ nach der Patientenkennung (Patient ID) und der Begegnungskennung (Encounter ID) und fügen Sie beide hinzu. Sie dienen als Case-ID.
Fügen Sie die für die Attribute erforderlichen demografischen und kontextbezogenen Spalten hinzu, etwa Department, Provider Name, Patient Age und Primary Diagnosis Code.
Fügen Sie die Timestamp-Spalten für die jeweiligen Aktivitäten hinzu. Möglicherweise finden Sie diese in verschiedenen Feldgruppen, zum Beispiel „Scheduling“ für „Appointment Scheduled“, „Check-in“ für „Check-in Time“ und „Billing“ für „Claim Submitted“. Wählen Sie nach Möglichkeit das Format „Date and Time“ statt nur „Date“.
Legen Sie Filter für den Bericht fest. Wählen Sie unter „Encounter Date“ den gewünschten Analysezeitraum, zum Beispiel die letzten 6 Monate, und schließen Sie Termine mit dem Status „Cancelled“ oder „No Show“ aus, damit nur abgeschlossene Behandlungsverläufe berücksichtigt werden.
Klicken Sie auf „Run Report“, um eine Vorschau der Daten anzuzeigen. Prüfen Sie, ob die Spalten Daten enthalten und nicht vollständig leer sind.
Wählen Sie „Export“ und anschließend „CSV“ (Comma Separated Values) als Format. Verwenden Sie keine Excel-/XLSX-Formatierung, da sie die Verarbeitung erschwert.
Speichern Sie die Datei lokal unter dem Namen „athena_raw_export.csv“.
Der Bericht enthält eine Zeile pro Begegnung und mehrere Datumsspalten (Breitformat). Wandeln Sie die Daten daher in ein Event Log im Langformat um. Verwenden Sie dazu das Python-Skript im Abschnitt „Query“.
Führen Sie das Skript aus, um die Datei „process_mining_event_log.csv“ zu erstellen, und laden Sie diese Datei in ProcessMind hoch.

Konfiguration

Berichtskategorie: Wählen Sie „Encounter Activity“ oder „Clinicals“ als Basiskategorie, um möglichst viele klinische Workflow-Schritte zu erfassen.
Zeitraum: Beschränken Sie die erste Extraktion auf 3 bis 6 Monate, um Zeitüberschreitungen oder Zeilenbegrenzungen zu vermeiden. In Standardansichten liegt die Obergrenze meist bei etwa 50.000 Zeilen.
Spaltenauswahl: Wählen Sie ausdrücklich Timestamp-Felder aus. Verwenden Sie absolute Zeitangaben wie „Check-in Date/Time“ statt berechneter Felder wie „Days since check-in“.
Umgang mit leeren Werten: Konfigurieren Sie den Bericht so, dass fehlende Daten als leere Zellen angezeigt werden und nicht durch benutzerdefinierte Texte wie „N/A“ ersetzt werden. Das erleichtert die Verarbeitung durch Skripte.
Filter nach Abteilung: Filtern Sie bei großen Organisationen nach bestimmten Service-Standorten oder Abteilungen, etwa „Cardiology“ oder „Orthopedics“, damit der Datensatz überschaubar bleibt.
Berechtigungen: Für den Zugriff auf den Custom Report Builder benötigt der Benutzer in athenaNet die Berechtigung „Report Creator“ oder „Clinical Reporting“.

Beispielabfrage 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}")

Schritte

API-Anwendung registrieren: Melden Sie sich im athenahealth Developer Portal an und registrieren Sie eine neue Anwendung, um Ihre Client ID und Ihr Client Secret zu erhalten. Stellen Sie sicher, dass die Anwendung über Berechtigungsbereiche für Appointments, Clinicals (Charts), Orders und Billing (Claims) verfügt.
Python-Umgebung einrichten: Installieren Sie die benötigten Python-Bibliotheken (requests, pandas) mit pip install requests pandas in Ihrer Ausführungsumgebung.
Authentifizieren: Implementieren Sie den OAuth-2.0-Client-Credentials-Grant, um ein Zugriffstoken abzurufen. Fügen Sie dieses Token bei allen folgenden API-Aufrufen als Bearer-Token in den Authorization-Header ein.
Umfang festlegen: Geben Sie die Practice ID und den Extraktionszeitraum an. Die athenahealth-APIs sind an eine Praxis gebunden. Wenn Sie mehrere Praxen verwalten, müssen Sie die jeweiligen Practice IDs nacheinander abfragen.
Termine extrahieren: Rufen Sie den Endpunkt /appointments/booked oder /appointments/changed auf, um die grundlegenden Begegnungsdaten abzurufen. Ordnen Sie die Appointment ID der PatientEpisodeId zu. Ermitteln Sie „Appointment Scheduled“ anhand des Erstellungsdatums und „Patient Checked In“ anhand des Check-in-Zeitpunkts.
Begegnungen nach klinischen Ereignissen durchsuchen: Rufen Sie für jede Appointment ID (Begegnung) die klinischen Unterendpunkte ab. Verwenden Sie /chart/{encounterId}/vitals für „Initial Assessment Completed“ und /chart/{encounterId}/orders für „Diagnostic Test Ordered“, „Specimen Collected“ (anhand des Status) und „Discharge Order Written“.
Ergebnisse und Diagnosen abrufen: Fragen Sie /chart/{encounterId}/analyteresults oder /chart/{encounterId}/labresults für „Test Results Received“ ab. Verwenden Sie /chart/{encounterId}/diagnoses für „Diagnosis Confirmed“.
Behandlungen und Eingriffe extrahieren: Fragen Sie /chart/{encounterId}/plan für „Treatment Plan Developed“, /chart/{encounterId}/procedures für „Procedure Performed“ und /chart/{encounterId}/medications/admin für „Medication Administered“ ab.
ADT-Daten und Forderungen ermitteln: Verwenden Sie den Statusverlauf des Termins oder, falls verfügbar, spezielle Krankenhausendpunkte, um „Patient Transferred“ und „Patient Discharged“ zu erfassen. Fragen Sie /claims zum Termin ab, um „Claim Submitted“ zu extrahieren.
Nachsorgetermine zuordnen: Ermitteln Sie „Follow-Up Appointment Scheduled“, indem Sie nach späteren Terminen für dieselbe Patienten-ID innerhalb des Zeitraums der Begegnung suchen.
Daten umwandeln und abflachen: Wandeln Sie die verschachtelten JSON-Antworten in eine flache Liste von Ereignis-Dictionaries um. Konvertieren Sie alle Zeitstempel in das ISO-8601-Format. Ordnen Sie die Felder ActivityName, PatientEpisodeId und EventTimestamp zu.
Daten exportieren: Laden Sie die Liste der Dictionaries in einen pandas DataFrame, bereinigen Sie die Daten abschließend, einschließlich des Umgangs mit leeren Werten, und exportieren Sie sie als CSV-Datei für den Import in ProcessMind.

Konfiguration

API-Zugangsdaten: Erfordert eine gültige Client ID und ein Client Secret aus dem athenahealth Developer Portal sowie Produktionszugriff.
Practice ID: Eindeutige numerische Kennung der Arztpraxis. Wenn Sie Daten für ein Netzwerk extrahieren, muss das Skript für jede Praxis einzeln ausgeführt werden.
Zeitraum: Aufgrund des Umfangs detaillierter klinischer Daten wird ein Extraktionszeitraum von 3 bis 6 Monaten empfohlen.
Ratenbegrenzung: Die athenaOne-API hat strenge Ratenbegrenzungen, zum Beispiel 5 Aufrufe pro Sekunde. Das Skript enthält eine Wartefunktion. Für Extraktionen im Unternehmensmaßstab sollte zusätzlich ein exponentielles Backoff-Verfahren implementiert werden.
Berechtigungsbereiche: Stellen Sie sicher, dass das Token über Berechtigungsbereiche für athena/service/Athenanet.MDP.* oder spezifische Bereiche für Termine, Patientenakten und Finanzdaten verfügt.
Seitennavigation: Die meisten Endpunkte geben nur eine begrenzte Anzahl von Datensätzen zurück, standardmäßig 1000. Das Skript muss die Parameter next oder offset verarbeiten.
Filter nach Abteilung: Wenn Sie bestimmte Abläufe analysieren, etwa Notaufnahme oder ambulante Versorgung, filtern Sie die Daten beim Abruf der Termine nach der Abteilungs-ID.

Beispielabfrage 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()

Möchten Sie loslegen?

Starten Sie jetzt damit, die Patientenversorgung zu verbessern. Dieses Template ist Ihr erster Schritt, um wertvolle Erkenntnisse zu gewinnen und die Ergebnisse im Gesundheitswesen zu verbessern.

Zurück zum Leitfaden zur Prozessverbesserung

Template herunterladen

Optimieren Sie jetzt den Behandlungsverlauf und beseitigen Sie Engpässe

Ermitteln Sie Ineffizienzen in athenahealth und verkürzen Sie die Durchlaufzeit des Behandlungsverlaufs um 30 %.

Starten Sie Ihre kostenlose Testphase

Keine Kreditkarte erforderlich. Beginnen Sie noch heute mit der Optimierung.

Ihr Daten-Template für den Behandlungsverlauf

Ihr Daten-Template für den Behandlungsverlauf

Attribute zum Behandlungsverlauf

Aktivitäten im Behandlungsverlauf

Anleitungen zur Datenextraktion

Benutzerdefinierter CSV-Export mit dem athenaNet Report Builder

Schritte

Konfiguration

Beispielabfrage python

Ereignisse aus der athenaOne-API mit Python extrahieren

Schritte

Konfiguration

Beispielabfrage python

Möchten Sie loslegen?

Optimieren Sie jetzt den Behandlungsverlauf und beseitigen Sie Engpässe