> Kontinuierliche Prozessoptimierung > Patientenreise > athenahealth > Datenvorlage

Ihre Patientenreise-Datenvorlage

athenahealth

Patientenreise-Attribute (19) Patientenreise-Aktivitäten (15) Extraktionsanleitungen (2)

Ihre Patientenreise-Datenvorlage

Diese Datenvorlage bietet einen vollständigen Leitfaden zur Erfassung der notwendigen Daten für die Analyse Ihrer Patientenreisee (Patientenreise). Es skizziert die essenziellen Attribute und Aktivitäten, die Sie verfolgen müssen, zusammen mit klarer Anleitung, wie Sie diese Informationen aus athenahealth extrahieren. Verwenden Sie diese Ressource, um sicherzustellen, dass Ihre Daten für effektives Process Mining bereit sind.

Empfohlene Attribute zur Erfassung
Wichtige Aktivitäten für das Tracking
athenahealth Extraktionsleitfaden

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

Vorlage herunterladen

Patientenreise-Attribute

Dies sind die empfohlenen Datenfelder, die Sie in Ihr Event Log (Event Log) aufnehmen sollten, essenziell für eine vollständige Analyse und das Verständnis Ihrer Patientenreisee (Patientenreise)s.

5 Erforderlich 9 Empfohlen 5 Optional

	Name	Beschreibung
	Aktivitätsname ActivityName	Der Name des Ereignisse oder den Antrag bearbeitet.er Aufgabe, die in der Patientenreisee (Patientenreise) durchgeführt wurde.
Beschreibung Gibt den spezifischen Schritt im Prozess an, wie 'Patient Checked In', 'Diagnostic Test Ordered' oder 'Medication Administered'. Dieser Textstring definiert die Knoten in der Prozesskarte. Wird verwendet, um den Prozessfluss zu visualisieren und die Abfolge der Operationen zu identifizieren. Die Standardisierung dieser Namen ist maßgeblich für eine übersichtliche und lesbare Prozesskarte. Bedeutung Definiert die Schritte der Prozessablauf und ist obligatorisch für jedes `Process Mining`. Datenquelle Abgeleitet aus Audit-Logs, Änderungen des Termin-Status oder Beschreibungen von Forderungspositionen. Beispiele Termin vereinbartPatient eingechecktDiagnostic Test OrderedPatient entlassen
	Ereignis-Zeitstempel EventTimestamp	Das spezifische Datum und die Uhrzeit, wann die Aktivität stattfand.
Beschreibung Zeichnet den genauen Moment auf, in dem eine Aktivität stattfand. Dies wird verwendet, um Ereignisse chronologisch zu sequenzieren und die Dauer zwischen Schritten zu berechnen. Wesentlich für zeitbasierte Analysen, einschließlich Durchlaufzeits, Wartezeiten und Durchsatzanalysen. Eine hohe Präzision wird bevorzugt, um die Reihenfolge von Ereignisse aufzulösen, die am selben Tag stattfinden. Bedeutung Erforderlich, um Ereignisse zu ordnen und alle zeitbasierten KPIs zu berechnen. Datenquelle Zeitstempel-Felder, die mit Statusänderungen oder ErstellungsDaten in athenahealth-Tabellen verbunden sind. Beispiele 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Letzte Datenaktualisierung LastDataUpdate	Der Zeitstempel, wann die Daten zuletzt extrahiert oder aktualisiert wurden.
Beschreibung Gibt die Aktualität der in der Analyse verwendeten Daten an. Dies hilft Benutzern zu verstehen, ob sie Echtzeit-Daten oder eine historische Momentaufnahme betrachten. Wird verwendet, um Daten-Pipelines zu verwalten und sicherzustellen, dass Dashboards den aktuellsten Prozesszustand widerspiegeln. Bedeutung Wesentlich für `data` Governance und das Vertrauen der Benutzer in die Aktualität des `Dashboards`. Datenquelle Systemzeit zum Zeitpunkt der ETL-Ausführung. Beispiele 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Patientenepisode PatientEpisodeId	Eindeutige Kennung für die spezifische Patientenepisode oder Journey.
Beschreibung Dieses Attribut dient als zentraler Case-ID, der alle Aktivitäten gruppiert, die sich auf eine bestimmte Versorgungsperiode oder einen Zustand eines Patienten beziehen. Es verbindet disparate Ereignisse wie Termine, diagnostische Aufträge und Entlassungsprozeduren zu einer einzigen kohärenten Journey. In der Analyse ist diese ID der Primärschlüssel für Process Mining, der den Antrag bearbeitet.ie Rekonstruktion des End-to-End-Flusses ermöglicht. Sie stellt sicher, dass mehrere Besuche desselben Patienten für verschiedene Bedingungen als eigenständige Prozessinstanzen behandelt werden. Bedeutung Notwendig für die Definition des Umfangs einer einzelnen Prozessinstanz innerhalb der Analyse. Datenquelle Abgeleitet aus der Gruppierung von Begegnungs-IDs oder verknüpft mit einer spezifischen `Episode of Care ID` in athenahealth. Beispiele EP-2023-88491EP-2023-99102ENC-55412-GRP
	Quellsystem SourceSystem	Der Name des Systems, aus dem die Daten stammen.
Beschreibung Identifiziert das IT-System, das für die Erstellung des Eintrags verantwortlich ist, in diesem Fall 'athenahealth'. Dies ist besonders nützlich in Multi-System-Umgebungen, wo Daten vermischt werden können. Ermöglicht Analysten, die Ansicht nach Datenquelle zu filtern und Datenqualitätsprobleme zu beheben, die spezifisch für ein System sind. Bedeutung Bietet Datenherkunft und Kontext in Multi-System-Process-Mining-Konfigurationen. Datenquelle Fest codierter Literalwert oder SystemKonfigurations-ID. Beispiele athenahealthAthenaOneAthenaPractice
	Abteilungsname DepartmentName	Die Krankenhaus- oder Klinikabteilung, in der den Antrag bearbeitet.ie Aktivität stattfand.
Beschreibung Segmentiert die ProzessDaten nach Funktionseinheit, wie Notaufnahme, Kardiologie oder Radiologie. Dies ist unerlässlich für das Dashboard 'Abteilungsdurchsatz & Übergaben'. Die Analyse mit diesem Attribut hebt Engpässe in bestimmten Bereichen hervor und hilft, den abteilungsübergreifenden Patientenfluss zu optimieren. Bedeutung Wesentlich für die Identifizierung organisatorischer `Engpässe` und Ineffizienzen bei der Übergabe. Datenquelle athenahealth 'departmentid' aufgelöst zum Abteilungsnamen. Beispiele NotaufnahmeInnere MedizinRadiologie
	Anbietername ProviderName	Der Name des Gesundheitsfachpersonals, das die Aktivität durchführt.
Beschreibung Identifiziert den spezifischen Arzt, die spezifische Krankenschwester oder den Antrag bearbeitet.en spezifischen Techniker, der für das Event verantwortlich ist. Dieses Attribut ist zentral für die Ressourcenanalyse. Es ermöglicht den Vergleich von Leistungsfähigkeit-Metriken, wie Durchsatz und Durchlaufzeit, über verschiedene Mitarbeiter hinweg, um Schulungsbedarfe oder Arbeitslastungleichgewichte zu identifizieren. Bedeutung Schlüssel für die 'Ressourcenauslastung' und die Analyse von Übergaben. Datenquelle athenahealth 'providerid' aufgelöst zum Anbieternamen. Beispiele Dr. SchmidtKrankenschwester JonesTechniker Adams
	Begegnungstyp EncounterType	Die Klassifizierung des Besuchs (z.B. Arztbesuch, Telemedizin, Notfall).
Beschreibung Definiert die Modalität oder den Antrag bearbeitet.as Setting der erbrachten Versorgung. Dies fungiert als '`Case` Typ' in `generisch`en `data` Modellen. Verschiedene Begegnungstypen haben unterschiedliche erwartete Abläufe und Abrechnungsanforderungen. Das Filtern nach diesem `Attribut` ist unerlässlich, um in der Zykluszeitanalyse Äpfel nicht mit Birnen zu vergleichen. Bedeutung Unterscheidet zwischen verschiedenen Prozessvarianten wie Telemedizin vs. persönliche Behandlung. Datenquelle athenahealth 'encountertype' Feld. Beispiele ArztbesuchTelemedizinNotfallOperation
	Discharge Disposition DischargeDisposition	Das Ziel oder den Antrag bearbeitet.er Status des Patienten bei Entlassung.
Beschreibung Gibt an, wohin der Patient nach der Episode ging, z.B. 'Home', 'Skilled Nursing Facility' oder 'Hospice'. Dies ist maßgeblich für 'Entlassungsplanung & Wiederaufnahmetrends'. Es liefert Kontext zur Komplexität der erforderlichen Entlassungsplanung und hilft, die Effektivität von Versorgungsübergängen zu beurteilen. Bedeutung Kritischer Kontext für die Entlassungsplanung und das Wiederaufnahmerisiko. Datenquelle athenahealth Begegnungsfelder oder KrankenhausentlassungsDatensätze. Beispiele StartseiteQualifizierte PflegeeinrichtungIn Kurzzeitkrankenhaus verlegtAbgelaufen
	Endzeit des Ereignisse EventEndTime	Der Zeitpunkt, zu dem die spezifische Aktivität abgeschlossen wurde.
Beschreibung Erfasst die Abschlusszeit einer `Activity` und ermöglicht die Berechnung der aktiven Dauer (Verarbeitungszeit) des Schrittes selbst, getrennt von der Wartezeit davor. Wird verwendet, um die Ressourceneffizienz zu analysierenn und `Aufgaben` zu identifizieren, deren manuelle Ausführung länger als erwartet dauert. Bedeutung Ermöglicht die Berechnung der aktiven Verarbeitungszeit im Vergleich zur passiven Wartezeit. Datenquelle Check-out-Zeit, Ergebnisverifizierungszeit oder spezifische Abschluss-`Zeitstempels` in athenahealth. Beispiele 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Is Readmission IsReadmission	Flag, das anzeigt, ob diese Episode eine ungeplante Rückkehr darstellt.
Beschreibung Ein boolescher Indikator, der feststellt, ob der Patient innerhalb eines festgelegten Zeitraums (z. B. 30 Tage) nach einer früheren Entlassung ins Krankenhaus zurückgekehrt ist. Dies unterstützt direkt den KPI 'Prozentsatz der ungeplanten Wiederaufnahmen'. Durch das Filtern nach diesem Attribut können Analysten die Ursachen für Wiederaufnahmen untersuchen und Muster in den anfänglichen Behandlungspfaden identifizieren. Bedeutung Unterstützt direkt den KPI der Wiederaufnahmerate. Datenquelle Berechnet während des ETL durch Vergleich des Aufnahmedatums mit dem vorherigen Entlassungsdatum. Beispiele JaNein
	Patienten-Altersgruppe PatientAgeGroup	Kategorische Gruppierung des Patientenalters (z. B. 18-25, 65+).
Beschreibung Segmentiert Patienten in demografische Gruppen. Dies ist direkt für das Dashboard 'Altersgruppen- & Diagnose Journey Vergleich' erforderlich. Es hilft zu identifizieren, ob Prozessineffizienzen oder Resultate bestimmte Altersgruppen, wie ältere oder pädiatrische Patienten, überproportional beeinflussen. Bedeutung Standard-Demografiesegment für die Analyse von Gesundheitsprozessen. Datenquelle Abgeleitet aus Patientengeburtsdatum und Startzeit. Beispiele 18-2930-4965+
	Patienten-ID PatientId	Eine eindeutige Kennung für den Patienten (anonymisiert/gehasht).
Beschreibung Identifiziert eindeutig den Kunden (Patienten), der den Antrag bearbeitet.ie Journey durchläuft. Obwohl ähnlich dem Case-ID, kann ein Patient im Laufe der Zeit mehrere Episoden haben. Wird verwendet, um wiederholte Besuche zu verknüpfen und Wiederaufnahmeraten zu analysierenn. Es ist maßgeblich für den KPI 'Prozentsatz der ungeplanten Wiederaufnahmen'. Bedeutung Notwendig für die Verfolgung von Wiederaufnahmen und der Patientenanamnese über Episoden hinweg. Datenquelle athenahealth 'patientid' Feld. Beispiele PAT-100234PAT-559201PAT-992210
	Primärdiagnosecode PrimaryDiagnosisCode	Der primäre ICD-10-Code, der mit der Episode verbunden ist.
Beschreibung Klassifiziert den klinischen Grund für die Patientenreise. Dies liefert den Kontext, der für den 'Vergleich der Patientenreise nach Altersgruppe und Diagnose' benötigt wird. Analysten verwenden dies, um Reisen nach Zustand (z. B. Pneumonie vs. Fraktur) zu segmentieren, da unterschiedliche Zustände erheblich unterschiedliche erwartete Pfade und Durchlaufzeiten aufweisen. Bedeutung Ermöglicht den Vergleich ähnlicher `Fälle`; Durchlaufzeiten variieren stark je nach Diagnose. Datenquelle Begegnungs- oder Forderungsdiagnosefelder (ICD-10). Beispiele J18.9I10E11.9
	Auftragsart OrderType	Kategorie des Auftrags (z. B. Labor, Bildgebung, Rezept).
Beschreibung Klassifiziert klinische Aufträge, die während der Episode erteilt wurden. Dies ist maßgeblich für das `Dashboard` 'Vorlaufzeit diagnostischer Tests'. Es ermöglicht Analysten, Vorlaufzeiten speziell für Labor- im Vergleich zu Bildgebungsleistungen zu messen, die oft unterschiedliche Service-Level-Vereinbarungen und `Engpässe` aufweisen. Bedeutung Segmentiert den diagnostischen Prozess für spezifische Lead-Time-Analyse. Datenquelle athenahealth 'ordertype' oder 'class' in der Auftrags-API. Beispiele LaborBildgebungRezeptProzedur
	Gesamtgebührenbetrag TotalChargeAmount	Der für die Aktivität oder Episode berechnete Geldbetrag.
Beschreibung Der mit der Aktivität verbundene finanzielle Wert oder den Antrag bearbeitet.er gesamte Forderungsbetrag. Dies ermöglicht kostenbasiertes Process Mining und eine finanzielle Auswirkungsanalyse. Wird verwendet, um kostspielige Variationen in Behandlungspfaden zu identifizieren und die Prozesseffizienz mit finanziellen Resultaten zu korrelieren. Bedeutung Fügt der Prozessanalyse eine finanzielle Dimension hinzu. Datenquelle athenahealth 'amount' oder 'totalcharge' in Forderungs-/Gebührentabellen. Beispiele 150.002500.5045.00
	Ist Nacharbeit IsRework	Flag, das anzeigt, ob diese `Activity` eine Wiederholung ist.
Beschreibung Ein boolesches Flag, das 'wahr' ist, wenn die Aktivität innerhalb desselben `Case` mehr als einmal aufgetreten ist. Dies unterstützt das Dashboard 'Aktivitätshäufigkeit und Nacharbeitszyklen'. Es ermöglicht die sofortige Isolierung von `Fälle` mit Nacharbeit, was die Berechnung des KPI 'Häufigkeit der Nacharbeitsaktivitäten' vereinfacht. Bedeutung Identifiziert Prozessineffizienzen und redundante Schritte. Datenquelle Berechnet während des ETL basierend auf Aktivitätsvorkommen pro `CaseId`. Beispiele JaNein
	Schadenstatus ClaimStatus	Der Status des finanziellen Anspruchs, der mit der Versorgung verbunden ist.
Beschreibung Gibt den Status des Rechnungsanspruchs an, wie 'Submitted', 'Denied' oder 'Paid'. Dies ist relevant für die Aktivität 'Claim Submitted' und den finanziellen Durchsatz. Hilft zu erkennen, ob Probleme mit der klinischen Dokumentation zu finanziellen Verzögerungen im Backend führen. Bedeutung Verbindet klinische Effizienz mit der Leistungsfähigkeit des Revenue Cycle. Datenquelle athenahealth 'claimstatus' Feld. Beispiele ABGERECHNETHALTENDROP
	Status des diagnostischen Resultates DiagnosticResultStatus	Der Ergebnisstatus eines diagnostischen Auftrags (z.B. Positiv, Standard).
Beschreibung Erfasst das hochrangige Ergebnis eines Tests. Dies liefert den Kontext für die 'Vorlaufzeit diagnostischer Tests' und nachfolgende Behandlungsentscheidungen. Wird verwendet, um zu analysierenn, ob abnormale Resultate im Vergleich zu normalen Resultaten zu schnelleren nachfolgenden Maßnahmen führen. Bedeutung Verbindet den Prozessfluss mit klinischen Resultaten. Datenquelle athenahealth Laborergebnis-Beobachtungsfelder. Beispiele StandardAbnormalKritisch

Erforderlich Empfohlen Optional

Patientenreise-Aktivitäten

Dies sind die wichtigen Prozessschritte und Meilensteine, die Sie in Ihrem Event Log erfassen sollten, um die Patientenerfahrung genau zu entdecken und zu optimieren.

7 Empfohlen 8 Optional

	Aktivität	Beschreibung
	Diagnosis Confirmed	Ein Kliniker weist offiziell eine Diagnose für den Zustand des Patienten für die aktuelle Begegnung zu oder bestätigt sie. Dies kann durch den Erstellungs- oder 'Zuletzt aktualisiert'-`Zeitstempel` des primären Diagnosecodes, wie ICD-10, der mit der Patientenbegegnung verbunden ist, abgeleitet werden.
Bedeutung Dies ist ein wichtiger Meilenstein, der den Antrag bearbeitet.en nachfolgenden Behandlungspfad bestimmt. Die Analyse von Variationen in den Aktivitäten nach diesem Punkt hilft, die Versorgungsprotokolle zu verstehen und zu standardisieren. Datenquelle Abgeleitet aus der Problemliste des Patienten oder den Antrag bearbeitet.en DiagnoseDaten des Vorgangs. Eine Änderung oder Finalisierung des Diagnosecodes und dessen zugehöriger Zeitstempel signalisiert dieses Event. Erfassen Erkennen Sie den `Zeitstempel`, zu dem die primäre Diagnose für die Begegnung hinzugefügt oder aktualisiert wurde. Ereignistyp inferred
	Entlassungsanordnung geschrieben	Ein Arzt oder ein autorisierter Anbieter schreibt eine offizielle Anweisung zur Entlassung des Patienten aus der Versorgung. Dies ist ein explizites, mit einem `Zeitstempel` versehenes `Event`, das innerhalb des CPOE-Moduls des EHR erstellt wird.
Bedeutung Diese Aktivität initiiert den Entlassungsprozess. Die Zeit zwischen dieser Anordnung und der tatsächlichen Entlassung ist ein Schlüssel-Leistungsfähigkeit-Indikator für die 'Entlassungsplanungs-Lead Time'. Datenquelle In der Auftrags-Tabelle zu finden. Das Event wird durch einen spezifischen 'Discharge'-Auftragstyp und dessen Erstellungszeitstempel identifiziert. Erfassen Ein neuer Datensatz mit dem Auftragstyp 'Entlassung' wird in der Auftragstabelle erstellt. Ereignistyp explicit
	Initial Assessment Completed	Markiert den Abschluss der ersten klinischen Evaluation, wie Triage oder Pflegeanamnese, wo Vitalwerte und Hauptbeschwerden erfasst werden. Dieses Event wird oft vom Zeitstempel der ersten unterzeichneten klinischen Notiz oder eines ausgefüllten Beurteilungsformulars für den Vorgang abgeleitet.
Bedeutung Dieser Meilenstein kennzeichnet den Beginn der klinischen Versorgung. Die Dauer vom Check-in bis zu dieser Aktivität ist ein Schlüsselmaß für die anfängliche Patientenwartezeit und die Ressourcenreaktion. Datenquelle Abgeleitet vom Erstellungs- oder Unterschriftszeitstempel spezifischer klinischer Dokumente oder Flussdiagramme in athenaClinicals. Erfordert die Identifizierung der relevanten Dokumenttypen für Triage oder Aufnahme. Erfassen Identifizieren Sie den ersten Zeitstempel auf einer klinischen Notiz, einem Vitalwerte-Flussdiagramm oder einem spezifischen Aufnahmeformular für den Vorgang. Ereignistyp inferred
	Patient eingecheckt	Diese Aktivität signalisiert die Ankunft des Patienten und den formellen Check-in für seinen geplanten Termin oder Besuch. Dies wird in der Regel als explizite Statusänderung im TerminDatensatz innerhalb von athenaClinicals oder athenaCommunicator erfasst.
Bedeutung Dies ist der den Antrag bearbeitet.efinitive Beginn der Vor-Ort-Journey des Patienten. Es dient als wichtiger Ausgangspunkt zur Messung von Wartezeiten und der gesamten Durchlaufzeit eines klinischen Vorgangs. Datenquelle Als Status-Update in den Termin- oder Vorgangstabellen erfasst. Suchen Sie nach einem 'Checked-In'-Status und dessen zugehörigem Zeitstempel. Erfassen Eine Statusänderung des Termins oder Begegnungsobjekts wird mit einem `Zeitstempel` protokolliert. Ereignistyp explicit
	Patient entlassen	Der Patient wurde offiziell entlassen, und der stationäre Teil seiner Journey ist abgeschlossen. Dies ist das finale ADT-Event für einen stationären Vorgang, erfasst mit einem präzisen Zeitstempel.
Bedeutung Dieses Event markiert das Ende der Haupt-Journey des Patienten. Es ist der Endpunkt zur Messung der gesamten 'Patientenreisee (Patientenreise) Durchlaufzeit' und essenziell für die Wiederaufnahmeanalyse. Datenquelle Dies ist ein explizites Event im ADT-System oder den Antrag bearbeitet.er Patienten-Vorgangstabelle, das den finalen Status des Vorgangs als 'Discharged' zusammen mit einem Zeitstempel markiert. Erfassen Der Patienten-Vorgangsstatus wird auf 'Discharged' aktualisiert und ein ADT-Event wird protokolliert. Ereignistyp explicit
	Prozedur durchgeführt	Ein klinisches Verfahren, wie eine Operation oder eine spezialisierte TherAPIe, wird am Patienten durchgeführt. Dies ist ein explizites `Event`, das in der klinischen Dokumentation erfasst wird, oft mit spezifischen Start- und Endzeiten, die in einer Verfahrensnotiz vermerkt sind.
Bedeutung Prozeduren sind wichtige Meilensteine in der Behandlung eines Patienten. Die Analyse der Aktivitäten vor und nach einer Prozedur hilft, prä- und postoperative Workflows zu optimieren. Datenquelle Innerhalb von Prozedurnotizen oder spezifischen klinischen Flussdiagrammen in athenaClinicals gefunden. Der `Event Zeitstempel` wird aus der den Antrag bearbeitet.okumentierten Start- oder Endzeit des Verfahrens abgeleitet. Erfassen Eine Prozedurnotiz oder ein Protokoll wird erstellt, das einen `Zeitstempel` für den Zeitpunkt der Prozedur enthält. Ereignistyp explicit
	Testergebnisse erhalten	Die Resultate eines diagnostischen Tests werden finalisiert und in der Patientenakte verfügbar gemacht. Dies wird normalerweise erfasst, wenn das Labor- oder Bildgebungssystem die Resultate an athenahealth zurücksendet und einen Zeitstempel-Eintrag erstellt.
Bedeutung Der Erhalt von Resultaten ist ein kritischer Auslöser für nachfolgende klinische Entscheidungen, wie Diagnose und Behandlungsplanung. Dieses Event ist der Endpunkt zur Messung diagnostischer Durchlaufzeiten. Datenquelle In der Ergebnis- oder Diagnosetabelle zu finden, verknüpft mit dem ursprünglichen Auftrag. Das Event ist durch den Zeitstempel markiert, wann das Ergebnis in die Patientenakte abgelegt oder empfangen wurde. Erfassen Ein neuer ErgebnisDatensatz wird mit einem `Zeitstempel` erstellt, oft über eine Schnittstelle von einem LIS oder RIS. Ereignistyp explicit
	Behandlungsplan entwickelt	Stellt die formelle Erstellung und Dokumentation des Behandlungsplans eines Patienten durch einen Kliniker dar. Dies kann als Erstellung oder Unterzeichnung eines spezifischen 'Plan of Care'-Dokuments oder einer Reihe verwandter Behandlungsaufträge erfasst werden.
Bedeutung Diese Aktivität formalisiert den beabsichtigten klinischen Pfad. Sie ist ein Schlüsselpunkt zur Messung der Konformität mit Standardprotokollen und zur Analyse von Versorgungsvariationen. Datenquelle Wahrscheinlich in den klinischen Dokumenten- oder Auftrags-Tabellen zu finden. Dieses Event entspricht dem Zeitstempel einer unterzeichneten Versorgungsplan-Notiz oder den Antrag bearbeitet.er Einreichung einer koordinierten Reihe von Behandlungsaufträgen. Erfassen Das `Event` ist der Erstellungs- oder Finalisierungs-`Zeitstempel` eines spezifischen Behandlungsplan-Dokuments oder Auftragssatzes. Ereignistyp explicit
	Claim eingereicht	Eine Forderung für die während der Patientenbegegnung erbrachten Leistungen wird erstellt und an den Kostenträger übermittelt. Dies ist ein explizites `Event` innerhalb des athenaCollector Revenue Cycle Management Moduls.
Bedeutung Obwohl ein administrativer Schritt, ist diese Aktivität wichtig für die Analyse des Revenue Cycle Prozesses, der parallel zur klinischen Journey verläuft. Sie hilft, Verzögerungen zwischen klinischer Versorgung und Abrechnung zu identifizieren. Datenquelle In den Forderungs- oder Abrechnungstabellen gefunden. Das `Event` ist durch einen `Zeitstempel` der Forderungserstellung oder -einreichung gekennzeichnet. Erfassen Ein ForderungsDatensatz wird erstellt und sein Status wird mit einem `Zeitstempel` auf 'Eingereicht' aktualisiert. Ereignistyp explicit
	Diagnostic Test Ordered	Ein Anbieter erteilt einen Auftrag für eine diagnostische Untersuchung wie einen Labortest, einen bildgebenden Scan oder ein anderes Verfahren. Dies ist ein explizites, mit einem `Zeitstempel` versehenes `Event`, das über die CPOE (Computerized Provider Order Entry)-Funktionalität in athenaClinicals erstellt wird.
Bedeutung Dies ist ein kritischer Entscheidungspunkt, der einen diagnostischen Sub-Prozess initiiert. Die Verfolgung dieser Aktivität ist wichtig für die Analyse des 'Diagnostic Test Lead Time' KPI vom Auftrag bis zum Ergebnis. Datenquelle In der Auftragstabelle gefunden. Jeder Auftrag hat eine Patienten-ID, Auftragsnamen, Auftragsstatus und einen Erstellungs-`Zeitstempel`. Erfassen Ein neuer Datensatz wird in der Auftragstabelle des Systems mit einem `Zeitstempel` erstellt. Ereignistyp explicit
	Folgetermin vereinbart	Ein Folgetermin wird für den Patienten nach seiner Hauptbehandlung oder Entlassung vereinbart. Dieses `Event` wird explizit erfasst, wenn ein neuer Termin im athenaCommunicator Terminplanungsmodul erstellt wird.
Bedeutung Diese Aktivität ist maßgeblich, um die Nachsorgekoordination nach der Entlassung und ihre Auswirkungen auf Resultate wie Wiederaufnahmeraten zu verstehen. Sie zeigt die Kontinuität der Versorgung. Datenquelle In der Termintabelle erfasst. Das Event wird durch einen Erstellungszeitstempel für einen Termin identifiziert, der nach dem Entlassungsdatum liegt. Erfassen Ein neuer Termin-Datensatz wird im Terminplanungssystem erstellt. Ereignistyp explicit
	Medikation verabreicht	Ein Medikament wird vom klinischen Personal physisch an den Patienten verabreicht. Dies wird explizit im Medication Administration Datensatz (MAR) Modul von athenaClinicals erfasst, mit einem präzisen `Zeitstempel` für jede Dosis.
Bedeutung Diese Aktivität stellt eine direkte Behandlungsintervention dar. Die Analyse ihres Zeitpunkts hilft, die 'Time to First Treatment' zu messen und die Einhaltung von Medikationsplänen sicherzustellen. Datenquelle In den MAR-`data`-Tabellen gefunden. Jedes Administrationsereignis hat eine Patienten-ID, Medikamenten-ID, Dosierung und einen `Zeitstempel` der Verabreichung. Erfassen Jedes Mal, wenn ein Medikament als verabreicht dokumentiert wird, wird ein mit einem `Zeitstempel` versehener Datensatz im MAR erstellt. Ereignistyp explicit
	Patient verlegt	Der Patient wird von einer Versorgungseinheit oder Abteilung in eine andere verlegt, z.B. von der Notaufnahme auf eine stationäre Statuson. Dies wird explizit durch ein Admission, Discharge, Transfer (ADT) Event im EHR erfasst.
Bedeutung Diese Aktivität ist maßgeblich für die Analyse von Abteilungs-Übergaben und des Patientenflusses innerhalb einer Einrichtung. Sie hilft, Engpässe in der 'Patient Handoff Time' und der Ressourcenallokation zu identifizieren. Datenquelle Im ADT Event Log oder Patientenverfolgungstabellen erfasst. Jedes Transfer-Event beinhaltet den Patienten, von/zu Standorten und einen Zeitstempel. Erfassen Eine ADT-Nachricht oder ein `Event Log`-Eintrag wird mit einem `Zeitstempel` bei Patientenüberweisung generiert. Ereignistyp explicit
	Probe entnommen	Stellt das Event dar, bei dem eine biologische Probe, wie Blut oder Urin, für einen Labortest vom Patienten entnommen wird. Dies ist in der Regel ein explizites Event, das im Labor-Modul oder als Update des Auftragsstatus protokolliert wird.
Bedeutung Dies ist ein wichtiger Meilenstein innerhalb des diagnostischen Testprozesses. Die Zeit zwischen Bestellung, Entnahme und Resultaten kann signifikante Engpässe in Labor-Workflows aufdecken. Datenquelle Dieses Event kann als Statusänderung beim Laborauftrag oder als eigenständiges Event in einem mit athenahealth verbundenen LaborHinweisrmationssystem gefunden werden. Suchen Sie nach einem 'Collected'-Status und Zeitstempel. Erfassen Als Update des Laborauftragsstatus oder in einem dedizierten Probenverfolgungsmodul protokolliert. Ereignistyp explicit
	Termin vereinbart	Stellt die Buchung eines Termins für einen Patienten dar. Dieses Event wird explizit erfasst, wenn ein Benutzer einen neuen Termineintrag in athenahealth's Scheduling-Modul, athenaCommunicator, erstellt und bestätigt.
Bedeutung Diese Aktivität markiert den anfänglichen Interaktionspunkt für viele Patientenreisee (Patientenreise)s. Die Analyse der Zeit von der Terminplanung bis zum Check-in hilft, den Patientenzugang und die Effizienz vor dem Besuch zu verstehen. Datenquelle Dies ist ein explizites Event, das in den Termin- oder Planungs-Tabellen protokolliert wird. Es ist in der Regel mit einem Erstellungszeitstempel und einer Patienten-ID verbunden. Erfassen Das `Event` wird bei der Erstellung eines Termin-Datensatzes im Terminplanungsmodul erfasst. Ereignistyp explicit

Extraktionsanleitungen

So erhalten Sie Ihre Daten aus athenahealth

Schritte

Melden Sie sich mit Ihren sicheren ZugangsDaten beim athenaNet-Portal an.
Navigieren Sie zum Berichtsmodul über das Hauptmenü, in der Regel unter 'Berichte' > 'Berichts-Generator' oder 'Benutzerdefinierte Berichte'.
Klicken Sie auf 'Neuen Bericht erstellen' und wählen Sie 'Begegnungen' oder 'Patientenbesuch' als primäre Berichtskategorie. Dies stellt sicher, dass die granularen Daten um die spezifische Patientenepisode zentriert sind.
Suchen und fügen Sie im Bereich 'Spalten' oder 'Felder' den Patientenidentifikator (Patienten-ID) und den Begegnungsidentifikator (Begegnungs-ID) hinzu, die als Fallidentifikator dienen.
Fügen Sie die demografischen und Kontextspalten hinzu, die für Attribute erforderlich sind, wie z. B. Abteilung, Anbietername, Patientenalter und primärer Diagnosecode.
Fügen Sie die spezifischen Zeitstempelspalten hinzu, die den Aktivitäten entsprechen. Möglicherweise müssen Sie in verschiedenen Feldgruppen suchen (z. B. 'Terminplanung' für 'Termin vereinbart', 'Check-in' für 'Check-in-Zeit', 'Abrechnung' für 'Forderung eingereicht'). Stellen Sie sicher, dass Sie 'Datum und Uhrzeit'-Formate auswählen, wo verfügbar, nicht nur Datum.
Wenden Sie Filter auf die BerichtsKonfiguration an. Legen Sie den 'Begegnungsdatum'-Bereich auf Ihr gewünschtes Analysefenster fest (z. B. letzte 6 Monate) und filtern Sie 'Abgesagte' oder 'Nicht erschienene' Termine heraus, um sich auf abgeschlossene Reisen zu konzentrieren.
Klicken Sie auf 'Bericht ausführen', um eine Einblicke der Daten anzuzeigen. Überprüfen Sie, ob die Spalten Daten enthalten und nicht vollständig null sind.
Wählen Sie die Option 'Exportieren' und wählen Sie 'CSV' (Comma Separated Values) als Format. Verwenden Sie keine Excel/XLSX-Formatierungsfunktionen, da diese die Verarbeitung erschweren.
Speichern Sie die Datei lokal als 'athena_raw_export.csv'.
Da der Bericht eine Zeile pro Begegnung mit mehreren Datumsspalten (breites Format) exportiert, müssen Sie ihn in ein Event Log (langes Format) umformen. Verwenden Sie das im Abschnitt 'Abfrage' bereitgestellte Python-Skript, um diese Transformation durchzuführen.
Führen Sie das Skript aus, um die finale 'process_mining_Event_log.csv' zu generieren und laden Sie diese Datei in ProcessMind hoch.

Konfiguration

Berichtskategorie: Wählen Sie 'Encounter Activity' oder 'Clinicals' als Basiskategorie, um die Mehrheit der klinischen Workflow-Schritte zu erfassen.
Datumsbereich: Beschränken Sie die anfängliche Extraktion auf 3-6 Monate, um Berichtstimeouts oder Zeilenlimits (in der Regel auf etwa 50.000 Zeilen in Standardansichten begrenzt) zu vermeiden.
Spaltenauswahl: Stellen Sie sicher, dass explizite Zeitstempelfelder ausgewählt werden. Vermeiden Sie berechnete Felder wie 'Tage seit dem Check-in' zugunsten absoluter 'Check-in Datum/Uhrzeit'.
Null-Werte-Behandlung: Konfigurieren Sie den Bericht so, dass leere Zellen für fehlende Daten angezeigt werden und nicht benutzerdefinierte Texte wie 'N/A', um die Skriptverarbeitung zu ermöglichen.
Abteilungsfilterung: Wenn die Organisation groß ist, filtern Sie nach spezifischen Dienstetandorten oder Abteilungen (z. B. 'Kardiologie', 'Orthopädie'), um den Datensatz fokussiert zu halten.
Berechtigungen: Der Benutzer benötigt 'Report Creator' oder 'Clinical Reporting' Berechtigungen innerhalb von athenaNet, um auf den Custom Report Builder zuzugreifen.

a Beispielabfrage config

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

# Configuration: Input and Output filenames
INPUT_FILE = 'athena_raw_export.csv'
OUTPUT_FILE = 'patient_journey_event_log.csv'

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

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

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

# Initialize list to hold event rows
event_log_data = []

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

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

# Create DataFrame from the list of events
event_log_df = pd.DataFrame(event_log_data)

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

# Remove rows where timestamp parsing failed
event_log_df = event_log_df.dropna(subset=['EventTimestamp'])

# Sort by Episode and Time
event_log_df = event_log_df.sort_values(by=['PatientEpisodeId', 'EventTimestamp'])

# Output to CSV
event_log_df.to_csv(OUTPUT_FILE, index=False)

print(f"Transformation complete. Processed {len(df)} encounters into {len(event_log_df)} events.")
print(f"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 Scopes für Termine, Kliniken (Patientenakten), Aufträge und Abrechnungen (Forderungen) hat.
Python-Umgebung konfigurieren: Installieren Sie die erforderlichen Python-Bibliotheken (requests, pandas) in Ihrer Ausführungsumgebung mit pip install requests pandas.
Authentifizieren: Implementieren Sie den OAuth 2.0 Client Credentials Grant Flow, um ein Zugriffstoken abzurufen. Dieses Token muss im Authorization-Header (Bearer-Token) aller nachfolgenden API-Aufrufe enthalten sein.
Umfang definieren: Legen Sie die Praxis-ID und den Datumsbereich für die Extraktion fest. athenahealth-APIs sind praxisspezifisch, daher müssen Sie Praxis-IDs iterieren, wenn Sie mehrere verwalten.
Termine extrahieren: Fragen Sie den /appointments/booked-Endpunkt oder den Antrag bearbeitet.en /appointments/changed-Endpunkt ab, um Basisbegegnungen abzurufen. Ordnen Sie die Termin-ID der PatientEpisodeId zu. Extrahieren Sie 'Termin vereinbart' aus dem Erstellungsdatum und 'Patient eingecheckt' aus der Check-in-Zeit.
Begegnungen für klinische Ereignisse iterieren: Fragen Sie für jede Termin-ID (Begegnung) die klinischen Unter-Endpunkte ab. Rufen Sie /chart/{encounterId}/vitals für 'Erste Beurteilung abgeschlossen' auf. Rufen Sie /chart/{encounterId}/orders für 'Diagnostische Untersuchung angeordnet', 'Probe entnommen' (basierend auf Status) und 'Entlassungsanordnung geschrieben' auf.
Resultate und Diagnosen abrufen: Fragen Sie /chart/{encounterId}/analyteresults oder /chart/{encounterId}/labresults für 'Testergebnisse erhalten' ab. Fragen Sie /chart/{encounterId}/diagnoses für 'Diagnose bestätigt' ab.
Behandlungen und Verfahren extrahieren: Fragen Sie /chart/{encounterId}/plan für 'Behandlungsplan entwickelt' ab. Fragen Sie /chart/{encounterId}/procedures für 'Verfahren durchgeführt' ab. Fragen Sie /chart/{encounterId}/medications/admin für 'Medikament verabreicht' ab.
ADT und Forderungen identifizieren: Verwenden Sie den Termin-Statusverlauf oder spezifische Krankenhausendpunkte (falls verfügbar), um 'Patient transferiert' und 'Patient entlassen' zu erfassen. Fragen Sie /claims bezogen auf den Termin ab, um 'Forderung eingereicht' zu extrahieren.
Nachuntersuchungen verknüpfen: Identifizieren Sie 'Nachuntersuchungstermin vereinbart', indem Sie nach nachfolgenden Terminen suchen, die für dieselbe Patienten-ID innerhalb des Begegnungszeitrahmens erstellt wurden.
Transformieren und Glätten: Parsen Sie die verschachtelten JSON-Antworten in eine flache Listee von Ereignis-Dictionaries. Konvertieren Sie alle Zeitstempel in das ISO 8601-Format. Ordnen Sie die Felder ActivityName, PatientEpisodeId und EventZeitstempel zu.
Daten exportieren: Laden Sie die Listee der Dictionaries in einen Pandas DatenFrame, führen Sie eine abschließende Bereinigung durch (Behandlung von Nullwerten) und exportieren Sie in eine CSV-Datei, die für die ProcessMind-Ingestion bereit ist.

Konfiguration

API-ZugangsDaten: Erfordert eine gültige Client-ID und ein Secret vom athenahealth Developer Portal mit Produktionszugriff.
Praxis-ID: Die eindeutige numerische Kennung für den Kontext der medizinischen Praxis. Das Skript muss pro Praxis ausgeführt werden, wenn für ein Netzwerk extrahiert wird.
Datumsbereich: Empfohlenes Extraktionsfenster ist 3 bis 6 Monate aufgrund des Volumens an granularen klinischen Daten.
Ratenbegrenzung: Die athenaOne API hat strenge Ratenbegrenzungen (z. B. 5 Aufrufe pro Sekunde). Das Skript enthält eine Sleep-Funktion, aber Extraktionen im Unternehmensmaßstab sollten ein exponentielles Backoff implementieren.
Scopes: Stellen Sie sicher, dass das Token Scopes für athena/service/Athenanet.MDP.* oder spezifische granulare Scopes für Termine, Patientenakten und FinanzDaten hat.
Paginierung: Die meisten Endpunkte geben eine begrenzte Anzahl von Datensätzen zurück (Standard 1000). Das Skript muss die Parameter next oder offset behandeln.
Abteilungsfilterung: Wenn spezifische Abläufe (z. B. Notaufnahme vs. ambulante Versorgung) analysiert werden, filtern Sie nach Abteilungs-ID während der Phase der Terminabfrage.

a 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()

Ihre Patientenreise-Datenvorlage

Ihre Patientenreise-Datenvorlage

Patientenreise-Attribute

Patientenreise-Aktivitäten

Extraktionsanleitungen

athenaNet Report Builder Benutzerdefinierter CSV-Export

Schritte

Konfiguration

a Beispielabfrage config

athenaOne API `Event` Extraktion mit Python

Schritte

Konfiguration

a Beispielabfrage python

Bereit, um loszulegen?

Optimieren Sie Ihre Patientenreisee (Patientenreise) jetzt, beseitigen Sie Engpässe

Ihre Patientenreise-Datenvorlage

Ihre Patientenreise-Datenvorlage

Patientenreise-Attribute

Patientenreise-Aktivitäten

Extraktionsanleitungen

athenaNet Report Builder Benutzerdefinierter CSV-Export

Schritte

Konfiguration

a Beispielabfrage config

athenaOne API `Event` Extraktion mit Python

Schritte

Konfiguration

a Beispielabfrage python

Ihre Privatsphäre ist uns wichtig

Bereit, um loszulegen?

Optimieren Sie Ihre Patientenreisee (Patientenreise) jetzt, beseitigen Sie Engpässe