> Mejora continua de procesos > Recorrido del paciente > athenahealth > Template de datos

Su Template de datos sobre la experiencia del paciente

athenahealth

Atributos de la experiencia del paciente (19) Actividades de la experiencia del paciente (15) Guías de extracción (2)

Su Template de datos sobre la experiencia del paciente

Este Template ofrece una guía completa para recopilar los datos necesarios para analizar la experiencia del paciente. Describe los atributos y las actividades esenciales que debe seguir, además de explicar cómo extraer esta información de athenahealth. Utilice este recurso para preparar los datos para un Process Mining eficaz.

Atributos recomendados para recopilar
Actividades clave que debe seguir
Guía para extraer datos de athenahealth

¿Es nuevo en los registros de eventos? Aprenda a crear un Registro de eventos para Process Mining.

Descargar Template

Atributos de la experiencia del paciente

Estos son los campos de datos recomendados para incluir en el Registro de eventos, esenciales para analizar y comprender a fondo la experiencia de los pacientes.

5 Obligatorio 9 Recomendado 5 Opcional

	Nombre	Descripción
	Episodio del paciente PatientEpisodeId	Identificador único del episodio o recorrido específico del paciente.
Descripción Este atributo funciona como identificador central del caso y agrupa todas las actividades relacionadas con un período de atención o una afección específica del paciente. Vincula eventos distintos, como citas, órdenes de diagnóstico y procedimientos de alta, en un único recorrido coherente. En el análisis, este ID es la clave principal para Process Mining y permite reconstruir el flujo de principio a fin. También garantiza que las distintas visitas de un mismo paciente por afecciones diferentes se traten como instancias de proceso separadas. Por qué es importante Es esencial para definir el alcance de una instancia de proceso dentro del análisis. Dónde obtenerlo Se obtiene agrupando los ID de atención o se vincula a un ID de episodio de atención específico en athenahealth. Ejemplos EP-2023-88491EP-2023-99102ENC-55412-GRP
	Marca de tiempo del evento EventTimestamp	Fecha y hora exactas en que tuvo lugar la actividad.
Descripción Registra el momento exacto en que se realizó una actividad. Se utiliza para ordenar cronológicamente los eventos y calcular la duración entre pasos. Es fundamental para el análisis temporal, incluidos los tiempos de ciclo, los tiempos de espera y el rendimiento. Se recomienda una alta precisión para determinar el orden de los eventos que ocurren el mismo día. Por qué es importante Es necesario para ordenar los eventos y calcular todos los KPI basados en el tiempo. Dónde obtenerlo Campos de fecha y hora asociados a cambios de estado o fechas de creación en las tablas de athenahealth. Ejemplos 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Nombre de la actividad ActivityName	Nombre del evento o la tarea realizada durante el recorrido del paciente.
Descripción Indica el paso específico que tiene lugar en el proceso, como «Paciente registrado», «Prueba de diagnóstico solicitada» o «Medicamento administrado». Esta cadena de texto define los nodos del mapa de procesos. Se utiliza para visualizar el flujo del proceso e identificar la secuencia de operaciones. Es fundamental estandarizar estos nombres para obtener un mapa de procesos legible y sin agrupaciones. Por qué es importante Define los pasos del mapa de procesos y es obligatorio para cualquier análisis de Process Mining. Dónde obtenerlo Se obtiene de los registros de auditoría, los cambios de estado de las citas o las descripciones de las partidas de reclamaciones. Ejemplos Cita programadaPaciente registrado a su llegadaPrueba diagnóstica solicitadaPaciente dado de alta
	Sistema de origen SourceSystem	Nombre del sistema del que proceden los datos.
Descripción Identifica el sistema de TI que generó el registro, en este caso, «athenahealth». Resulta especialmente útil en entornos con varios sistemas, donde se pueden combinar datos. Permite a quienes analizan los datos filtrar la vista por fuente de datos y resolver problemas de calidad de los datos específicos de un sistema. Por qué es importante Aporta trazabilidad y contexto en entornos de Process Mining con varios sistemas. Dónde obtenerlo Valor literal codificado de forma fija o ID de configuración del sistema. Ejemplos athenahealthAthenaOneAthenaPractice
	Última actualización de los datos LastDataUpdate	Fecha y hora de la última extracción o actualización de los datos.
Descripción Indica qué tan actualizados están los datos utilizados en el análisis. Ayuda a saber si se están consultando datos en tiempo real o una instantánea histórica. Se utiliza para gestionar las canalizaciones de datos y garantizar que los Dashboards reflejen el estado más reciente del proceso. Por qué es importante Es fundamental para la gobernanza de los datos y para que las personas usuarias confíen en que el Dashboard está actualizado. Dónde obtenerlo Hora del sistema en el momento de la ejecución de ETL. Ejemplos 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Código del diagnóstico principal PrimaryDiagnosisCode	Código ICD-10 principal asociado al episodio.
Descripción Clasifica el motivo clínico del recorrido del paciente. Proporciona el contexto necesario para «Comparación de recorridos por grupo de edad y diagnóstico». Quienes analizan los datos lo utilizan para segmentar los recorridos por afección, por ejemplo, neumonía o fractura, ya que cada afección puede tener rutas previstas y tiempos de ciclo muy distintos. Por qué es importante Permite comparar casos similares, ya que los tiempos de ciclo varían mucho según el diagnóstico. Dónde obtenerlo Campos de diagnóstico de la atención o la reclamación (ICD-10). Ejemplos J18.9I10E11.9
	Destino tras el alta DischargeDisposition	Destino o estado del paciente al recibir el alta.
Descripción Indica adónde fue el paciente después del episodio, por ejemplo, a casa, a un centro de enfermería especializada o a cuidados paliativos. Es fundamental para analizar la planificación del alta y las tendencias de reingreso. Aporta contexto sobre la complejidad de la planificación del alta y ayuda a evaluar la eficacia de las transiciones asistenciales. Por qué es importante Aporta contexto fundamental para planificar el alta y evaluar el riesgo de reingreso. Dónde obtenerlo Campos de atención de athenahealth o registros de alta hospitalaria. Ejemplos DomicilioCentro de enfermería especializadaTraslado a un hospital de corta estanciaFallecido
	Es un reingreso IsReadmission	Indicador que señala si este episodio corresponde a un regreso no programado.
Descripción Indicador booleano que señala si el paciente volvió al hospital dentro de un período determinado, por ejemplo, 30 días después de un alta anterior. Este atributo permite calcular directamente el KPI «Porcentaje de reingresos no programados». Al filtrar por este atributo, quienes analizan los datos pueden examinar las causas de fondo de los reingresos e identificar patrones en las rutas de tratamiento iniciales. Por qué es importante Contribuye directamente al KPI de tasa de reingreso. Dónde obtenerlo Se calcula durante ETL comparando la fecha de ingreso con la fecha del alta anterior. Ejemplos truefalse
	Grupo de edad del paciente PatientAgeGroup	Clasificación por edad del paciente, por ejemplo, de 18 a 25 años o 65 años o más.
Descripción Segmenta a los pacientes en grupos demográficos. Este atributo es necesario para el Dashboard «Comparación de recorridos por grupo de edad y diagnóstico». Ayuda a identificar si las ineficiencias del proceso o los resultados afectan de forma desproporcionada a determinados grupos de edad, como las personas mayores o la población pediátrica. Por qué es importante Segmento demográfico estándar para el análisis de procesos de atención médica. Dónde obtenerlo Se obtiene a partir de la fecha de nacimiento del paciente y StartTime. Ejemplos 18-2930-4965+
	Hora de finalización del evento EventEndTime	Hora en que se completó la actividad específica.
Descripción Registra la hora de finalización de una actividad y permite calcular su duración activa (tiempo de procesamiento), diferenciándola del tiempo de espera previo. Se utiliza para analizar la eficiencia de los recursos e identificar tareas que tardan más de lo previsto en realizarse manualmente. Por qué es importante Permite calcular el tiempo de procesamiento activo y distinguirlo del tiempo de espera pasivo. Dónde obtenerlo Hora del registro de salida, hora de verificación del resultado o marcas de tiempo específicas de finalización en athenahealth. Ejemplos 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	ID del paciente PatientId	Identificador único del paciente (anonimizado o cifrado mediante hash).
Descripción Identifica de forma única al cliente (paciente) que realiza el recorrido. Aunque es similar al identificador del caso, un paciente puede tener varios episodios a lo largo del tiempo. Se utiliza para vincular visitas repetidas y analizar las tasas de reingreso. Es fundamental para el KPI «Porcentaje de reingresos no programados». Por qué es importante Es necesario para hacer seguimiento de los reingresos y del historial del paciente entre episodios. Dónde obtenerlo Campo «patientid» de athenahealth. Ejemplos PAT-100234PAT-559201PAT-992210
	Nombre del departamento DepartmentName	Departamento del hospital o la clínica donde tuvo lugar la actividad.
Descripción Segmenta los datos del proceso por unidad funcional, como urgencias, cardiología o radiología. Es esencial para el Dashboard «Rendimiento y traspasos entre departamentos». El análisis de este atributo destaca los cuellos de botella en áreas específicas y ayuda a optimizar el flujo de pacientes entre departamentos. Por qué es importante Es fundamental para identificar cuellos de botella organizativos e ineficiencias en los traspasos. Dónde obtenerlo El «departmentid» de athenahealth se resuelve con el nombre del departamento. Ejemplos Departamento de urgenciasMedicina internaRadiología
	Nombre del profesional de salud ProviderName	Nombre del profesional de salud que realiza la actividad.
Descripción Identifica al médico, personal de enfermería o técnico responsable del evento. Este atributo es fundamental para analizar el uso de los recursos. Permite comparar métricas de rendimiento, como el volumen de casos y el tiempo de ciclo, entre distintos miembros del personal para detectar necesidades de formación o desequilibrios en la carga de trabajo. Por qué es importante Es clave para la «Tasa de utilización de recursos» y el análisis de los traspasos. Dónde obtenerlo El «providerid» de athenahealth se resuelve con el nombre del directorio de profesionales. Ejemplos Dr. SmithEnfermera JonesTécnico Adams
	Tipo de atención EncounterType	Clasificación de la visita, por ejemplo, consulta en el consultorio, telemedicina o urgencias.
Descripción Define la modalidad o el entorno de la atención prestada. En los modelos de datos genéricos, funciona como el «tipo de caso». Cada tipo de atención tiene flujos previstos y requisitos de facturación distintos. Filtrar por este atributo es esencial para evitar comparar casos que no son equivalentes al analizar los tiempos de ciclo. Por qué es importante Distingue entre variantes del proceso, como la telemedicina y la atención presencial. Dónde obtenerlo Campo «encountertype» de athenahealth. Ejemplos Consulta en el consultorioTelemedicinaUrgenciasCirugía
	Es una repetición IsRework	Indicador que señala si esta actividad se repite.
Descripción Indicador booleano que es verdadero si la actividad se ha producido más de una vez en el mismo caso. Este atributo permite analizar el Dashboard «Frecuencia de las actividades y ciclos de retrabajo». Permite identificar de inmediato los casos con retrabajo y facilita el cálculo del KPI «Frecuencia de las actividades de retrabajo». Por qué es importante Identifica ineficiencias del proceso y pasos redundantes. Dónde obtenerlo Se calcula durante ETL según las veces que aparece cada actividad por CaseId. Ejemplos truefalse
	Estado de la reclamación ClaimStatus	Estado de la reclamación financiera asociada a la atención.
Descripción Indica el estado de la reclamación de facturación, por ejemplo, enviada, denegada o pagada. Es relevante para la actividad «Reclamación enviada» y el rendimiento financiero. Ayuda a identificar si los problemas con la documentación clínica están provocando demoras financieras posteriores. Por qué es importante Relaciona la eficiencia clínica con el rendimiento del ciclo de ingresos. Dónde obtenerlo Campo «claimstatus» de athenahealth. Ejemplos FACTURADARETENIDAPRESENTADA
	Estado del resultado de diagnóstico DiagnosticResultStatus	Estado del resultado de una orden de diagnóstico, por ejemplo, positivo o normal.
Descripción Registra el resultado general de una prueba. Aporta contexto para analizar el tiempo de entrega de las pruebas de diagnóstico y las decisiones de tratamiento posteriores. Se utiliza para analizar si los resultados anormales dan lugar a acciones posteriores más rápidas que los resultados normales. Por qué es importante Relaciona el flujo del proceso con los resultados clínicos. Dónde obtenerlo Campos de observación de resultados de laboratorio de athenahealth. Ejemplos NormalAnormalCrítico
	Importe total facturado TotalChargeAmount	Importe monetario facturado por la actividad o el episodio.
Descripción Valor financiero asociado a la actividad o importe total de la reclamación. Permite analizar los procesos desde la perspectiva de los costes y evaluar su impacto financiero. Se utiliza para identificar variantes de tratamiento con costes elevados y relacionar la eficiencia del proceso con los resultados financieros. Por qué es importante Añade una dimensión financiera al análisis del proceso. Dónde obtenerlo «amount» o «totalcharge» de athenahealth en las tablas de reclamaciones o cargos. Ejemplos 150.002500.5045.00
	Tipo de orden OrderType	Categoría de la orden, por ejemplo, laboratorio, diagnóstico por imágenes o receta.
Descripción Clasifica las órdenes clínicas emitidas durante el episodio. Es fundamental para el Dashboard «Tiempo de entrega de las pruebas de diagnóstico». Permite analizar por separado los tiempos de entrega de las pruebas de laboratorio y de diagnóstico por imágenes, que suelen tener acuerdos de nivel de servicio y cuellos de botella distintos. Por qué es importante Segmenta el proceso de diagnóstico para analizar específicamente los tiempos de entrega. Dónde obtenerlo «ordertype» o «class» de athenahealth en la API de órdenes. Ejemplos LaboratorioDiagnóstico por imágenesRecetaProcedimiento

Obligatorio Recomendado Opcional

Actividades de la experiencia del paciente

Estos son los pasos y los hitos clave del proceso que debe registrar en el Registro de eventos para descubrir y optimizar con precisión la experiencia del paciente.

7 Recomendado 8 Opcional

	Actividad	Descripción
	Diagnóstico confirmado	Un profesional clínico asigna o confirma oficialmente un diagnóstico para la afección del paciente durante la consulta actual. Puede inferirse a partir de la marca de tiempo de creación o de última actualización del código del diagnóstico principal, como el ICD-10, asociado a la consulta.
Por qué es importante Este es un hito decisivo que determina la ruta de tratamiento posterior. Analizar las variaciones de las actividades a partir de este punto ayuda a comprender y estandarizar los protocolos de atención. Dónde obtenerlo Se infiere a partir de la lista de problemas del paciente o de los datos de diagnóstico de la consulta. Un cambio o la confirmación del código de diagnóstico y su marca de tiempo asociada indican que se ha producido este evento. Capturar Detecte la marca de tiempo en que se añade o actualiza el diagnóstico principal de la consulta. Tipo de evento inferred
	Evaluación inicial completada	Indica que ha finalizado la primera evaluación clínica, como el triaje o la valoración de enfermería, durante la cual se registran los signos vitales y los motivos principales de consulta. A menudo, este evento se infiere a partir de la marca de tiempo de la primera nota clínica firmada o del formulario de evaluación completado para la consulta.
Por qué es importante Este hito indica el inicio de la atención clínica. El tiempo transcurrido desde el registro de llegada hasta esta actividad es una medida clave del tiempo de espera inicial del paciente y de la capacidad de respuesta de los recursos. Dónde obtenerlo Se infiere a partir de la marca de tiempo de creación o firma de documentos clínicos específicos o de hojas de registro de athenaClinicals. Es necesario identificar los tipos de documentos pertinentes para el triaje o la admisión. Capturar Identifique la primera marca de tiempo de una nota clínica, una hoja de registro de signos vitales o un formulario de admisión específico de la consulta. Tipo de evento inferred
	Orden de alta emitida	Un médico o proveedor autorizado emite una orden oficial para dar de alta al paciente. Se trata de un evento explícito con marca de tiempo, creado en el módulo CPOE del EHR.
Por qué es importante Esta actividad inicia el proceso de alta. El tiempo entre la emisión de la orden y el alta efectiva es un indicador clave de rendimiento para el 'Tiempo de planificación del alta'. Dónde obtenerlo Se encuentra en la tabla de solicitudes. El evento se identifica por un tipo de solicitud específico, 'Discharge', y su marca de tiempo de creación. Capturar Se crea un nuevo registro con el tipo de solicitud 'Discharge' en la tabla de solicitudes. Tipo de evento explicit
	Paciente dado de alta	El paciente ha recibido el alta oficial y ha finalizado la parte de su recorrido que transcurre en el centro. Este es el último evento de ADT de una consulta de hospitalización y se registra con una marca de tiempo precisa.
Por qué es importante Este evento marca el final del recorrido principal del paciente. Es el punto final para medir el 'Tiempo de ciclo del recorrido del paciente' y resulta esencial para analizar los reingresos. Dónde obtenerlo Es un evento explícito del sistema ADT o de la tabla de consultas del paciente que marca el estado final de la consulta como 'Discharged', junto con una marca de tiempo. Capturar El estado de la consulta del paciente se actualiza a 'Discharged' y se registra un evento de ADT. Tipo de evento explicit
	Paciente registrado a su llegada	Esta actividad indica que el paciente ha llegado y se ha registrado formalmente para la cita o consulta programada. Suele capturarse como un cambio de estado explícito en el registro de la cita, dentro de athenaClinicals o athenaCommunicator.
Por qué es importante Este es el inicio definitivo del recorrido presencial del paciente. Es un punto de partida fundamental para medir los tiempos de espera y el tiempo de ciclo general de la consulta clínica. Dónde obtenerlo Se registra como una actualización del estado en las tablas de citas o consultas. Busque el estado 'Checked-In' y su marca de tiempo correspondiente. Capturar El cambio de estado del objeto de cita o consulta se registra con una marca de tiempo. Tipo de evento explicit
	Procedimiento realizado	Se realiza al paciente un procedimiento clínico, como una cirugía o una terapia especializada. Es un evento explícito que se registra en la documentación clínica, a menudo con las horas de inicio y finalización en una nota del procedimiento.
Por qué es importante Los procedimientos son hitos importantes en el tratamiento del paciente. Analizar las actividades anteriores y posteriores permite optimizar los flujos de trabajo preoperatorios y posoperatorios. Dónde obtenerlo Se encuentra en las notas de procedimientos o en hojas de registro clínico específicas de athenaClinicals. La marca de tiempo del evento se obtiene de la hora de inicio o finalización documentada del procedimiento. Capturar Se crea una nota o un registro del procedimiento con una marca de tiempo que indica cuándo se realizó. Tipo de evento explicit
	Resultados de la prueba recibidos	Los resultados de una prueba diagnóstica se finalizan y quedan disponibles en la historia clínica del paciente. Por lo general, se registra cuando el sistema de laboratorio o de imágenes envía los resultados a athenahealth y crea una entrada con marca de tiempo.
Por qué es importante La recepción de los resultados es un desencadenante crítico de decisiones clínicas posteriores, como el diagnóstico y la planificación del tratamiento. Este evento marca el final del periodo que se mide para calcular el tiempo de respuesta del diagnóstico. Dónde obtenerlo Se encuentra en la tabla de resultados o diagnósticos y está vinculado a la solicitud original. El evento queda marcado con la hora en que el resultado se archivó o se recibió en la historia clínica del paciente. Capturar Se crea un nuevo registro de resultados con una marca de tiempo, a menudo mediante una interfaz con un LIS o RIS. Tipo de evento explicit
	Cita de seguimiento programada	Se programa una cita de seguimiento para el paciente después del tratamiento principal o del alta. Este evento se registra explícitamente cuando se crea una nueva cita en el módulo de programación athenaCommunicator.
Por qué es importante Esta actividad es clave para comprender la coordinación de la atención posterior al alta y su impacto en resultados como las tasas de reingreso. Muestra la continuidad de la atención. Dónde obtenerlo Se registra en la tabla de citas. El evento se identifica por la marca de tiempo de creación de una cita posterior a la fecha del alta. Capturar Se crea un nuevo registro de cita en el sistema de programación. Tipo de evento explicit
	Cita programada	Indica que se ha reservado una cita para un paciente. Este evento se registra explícitamente cuando un usuario crea y confirma una nueva cita en athenaCommunicator, el módulo de programación de athenahealth.
Por qué es importante Esta actividad marca el inicio de muchos recorridos de pacientes. Analizar el tiempo entre la programación y el registro de llegada ayuda a comprender el acceso de los pacientes y la eficiencia previa a la consulta. Dónde obtenerlo Es un evento explícito registrado en las tablas de citas o de programación. Suele estar asociado a una marca de tiempo de creación y al ID del paciente. Capturar El evento se registra cuando se crea una cita en el módulo de programación. Tipo de evento explicit
	Medicamento administrado	El personal clínico administra físicamente un medicamento al paciente. Esto se registra explícitamente en el módulo Medication Administration Record (MAR) de athenaClinicals, con una marca de tiempo precisa para cada dosis.
Por qué es importante Esta actividad representa una intervención terapéutica directa. Analizar cuándo se produce ayuda a medir el 'Tiempo hasta el primer tratamiento' y a garantizar que se respeten los horarios de medicación. Dónde obtenerlo Se encuentra en las tablas de datos del MAR. Cada evento de administración incluye el ID del paciente, el ID del medicamento, la dosis y la marca de tiempo de administración. Capturar Cada vez que se documenta la administración de un medicamento, se crea un registro con marca de tiempo en el MAR. Tipo de evento explicit
	Muestra recogida	Indica que se ha recogido una muestra biológica, como sangre u orina, del paciente para realizar un análisis de laboratorio. Suele ser un evento explícito registrado en el módulo de laboratorio o una actualización del estado de la solicitud.
Por qué es importante Este es un hito clave del proceso de pruebas diagnósticas. El tiempo entre la solicitud, la recogida de la muestra y la entrega de los resultados puede revelar cuellos de botella importantes en los flujos de trabajo del laboratorio. Dónde obtenerlo Este evento puede aparecer como un cambio de estado en la solicitud de laboratorio o como un evento independiente en un sistema de información de laboratorio conectado a athenahealth. Busque el estado 'Collected' y su marca de tiempo. Capturar Se registra como una actualización del estado de la solicitud de laboratorio o en un módulo específico de seguimiento de muestras. Tipo de evento explicit
	Paciente trasladado	El paciente pasa de una unidad de atención o departamento a otro, por ejemplo, del servicio de urgencias a una sala de hospitalización. Este traslado se registra explícitamente mediante un evento de admisión, alta o traslado (ADT) en el EHR.
Por qué es importante Esta actividad es fundamental para analizar los traspasos entre departamentos y el flujo de pacientes dentro de un centro. Ayuda a identificar cuellos de botella en el 'Tiempo de traspaso del paciente' y en la asignación de recursos. Dónde obtenerlo Se registra en el Registro de eventos de ADT o en las tablas de seguimiento de pacientes. Cada evento de traslado incluye el paciente, las ubicaciones de origen y destino, y una marca de tiempo. Capturar Al trasladar al paciente, se genera un mensaje de ADT o una entrada en el Registro de eventos con una marca de tiempo. Tipo de evento explicit
	Plan de tratamiento elaborado	Indica la creación y documentación formal del plan de tratamiento del paciente por parte de un profesional clínico. Puede registrarse como la creación o firma de un documento específico de 'Plan of Care' o de un conjunto de solicitudes de tratamiento relacionadas.
Por qué es importante Esta actividad formaliza la ruta clínica prevista. Es un punto clave para medir el cumplimiento de los protocolos estándar y analizar las variaciones en la atención. Dónde obtenerlo Probablemente se encuentra en las tablas de documentos clínicos o de solicitudes. Este evento corresponde a la marca de tiempo de una nota del plan de atención firmada o al envío de un conjunto coordinado de solicitudes de tratamiento. Capturar El evento corresponde a la marca de tiempo de creación o finalización de un documento específico del plan de tratamiento o de un conjunto de solicitudes. Tipo de evento explicit
	Prueba diagnóstica solicitada	Un proveedor solicita una prueba diagnóstica, como un análisis de laboratorio, un estudio de imagen u otro procedimiento. Se trata de un evento explícito con marca de tiempo, creado mediante la función CPOE (Computerized Provider Order Entry) de athenaClinicals.
Por qué es importante Este es un punto de decisión crítico que inicia un subproceso de diagnóstico. Registrar esta actividad es esencial para analizar el KPI 'Tiempo desde la solicitud hasta el resultado de la prueba diagnóstica'. Dónde obtenerlo Se encuentra en la tabla de solicitudes. Cada solicitud incluye un identificador del paciente, el nombre y el estado de la solicitud, y una marca de tiempo de creación. Capturar Se crea un nuevo registro con una marca de tiempo en la tabla de solicitudes del sistema. Tipo de evento explicit
	Reclamación enviada	Se genera y envía al pagador una reclamación por los servicios prestados durante la consulta del paciente. Este es un evento explícito del módulo de gestión del ciclo de ingresos athenaCollector.
Por qué es importante Aunque es un paso administrativo, esta actividad es fundamental para analizar el ciclo de ingresos, que transcurre en paralelo al recorrido clínico. Ayuda a identificar demoras entre la atención clínica y la facturación. Dónde obtenerlo Se encuentra en las tablas de reclamaciones o facturación. El evento queda marcado por la fecha y hora de creación o envío de una reclamación. Capturar Se crea un registro de reclamación y su estado se actualiza a «Enviada» con una fecha y hora. Tipo de evento explicit

Recomendado Opcional

Guías de extracción

Cómo obtener sus datos de athenahealth

Pasos

Inicie sesión en el portal athenaNet con sus credenciales seguras.
Vaya al módulo de informes desde el menú principal, normalmente en 'Reports' > 'Report Builder' o 'Custom Reports'.
Haga clic en 'Create New Report' y seleccione 'Encounters' o 'Patient Visit' como categoría principal del informe. Así, los datos detallados se centrarán en el episodio específico del paciente.
En la sección de selección de 'Columns' o 'Fields', busque y añada Patient Identifier (Patient ID) y Encounter Identifier (Encounter ID) para usarlos como identificador del caso.
Añada las columnas demográficas y contextuales necesarias para los atributos, como Department, Provider Name, Patient Age y Primary Diagnosis Code.
Añada las columnas de marca de tiempo correspondientes a las actividades. Es posible que deba buscar en distintos grupos de campos, por ejemplo, 'Scheduling' para Appointment Scheduled, 'Check-in' para Check-in Time y 'Billing' para Claim Submitted. Cuando estén disponibles, seleccione formatos de 'Date and Time', no solo de fecha.
Aplique filtros a la configuración del informe. Defina el rango de 'Encounter Date' para el período de análisis deseado, por ejemplo, los últimos 6 meses, y excluya las citas 'Cancelled' o 'No Show' para centrarse en los recorridos completados.
Haga clic en 'Run Report' para obtener una vista previa de los datos. Compruebe que las columnas contengan datos y no estén completamente vacías.
Seleccione 'Export' y elija 'CSV' (valores separados por comas) como formato. No utilice las opciones de formato de Excel/XLSX, ya que complican el procesamiento.
Guarde el archivo localmente como 'athena_raw_export.csv'.
Como el informe exporta una fila por encuentro con varias columnas de fecha (formato ancho), debe reorganizarlo como un Registro de eventos (formato largo). Utilice el script de Python incluido en la sección Query para realizar esta transformación.
Ejecute el script para generar el archivo final 'process_mining_event_log.csv' y cárguelo en ProcessMind.

Configuración

Categoría del informe: Elija 'Encounter Activity' o 'Clinicals' como categoría base para capturar la mayoría de los pasos del flujo de trabajo clínico.
Rango de fechas: Limite la extracción inicial a entre 3 y 6 meses para evitar que se agote el tiempo de espera o se alcance el límite de filas del informe, que suele rondar las 50.000 en las vistas estándar.
Selección de columnas: Asegúrese de seleccionar campos de marca de tiempo explícitos. Evite campos calculados como 'Days since check-in' y elija 'Check-in Date/Time', que contiene la fecha y hora exactas.
Gestión de valores nulos: Configure el informe para que muestre celdas vacías cuando falten datos, en lugar de texto personalizado como 'N/A', a fin de facilitar el procesamiento con scripts.
Filtro por departamento: Si la organización es grande, filtre por ubicaciones de servicio o departamentos específicos, por ejemplo, 'Cardiology' u 'Orthopedics', para mantener el conjunto de datos acotado.
Permisos: Para acceder al generador de informes personalizados de athenaNet, se necesitan permisos de 'Report Creator' o 'Clinical Reporting'.

a Consulta de ejemplo 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}")

Pasos

Registre una aplicación de API: Inicie sesión en el portal para desarrolladores de athenahealth y registre una aplicación nueva para obtener su Client ID y Client Secret. Asegúrese de que la aplicación tenga permisos para Appointments, Clinicals (Charts), Orders y Billing (Claims).
Configure el entorno de Python: Instale las bibliotecas de Python necesarias (requests, pandas) en el entorno de ejecución con pip install requests pandas.
Autentíquese: Implemente el flujo de concesión de credenciales de cliente de OAuth 2.0 para obtener un token de acceso. Incluya este token en el encabezado Authorization (token Bearer) de todas las llamadas posteriores a la API.
Defina el alcance: Establezca el Practice ID y el rango de fechas de la extracción. Las API de athenahealth son específicas de cada consultorio, por lo que debe recorrer los distintos Practice ID si administra varios.
Extraiga las citas: Consulte el endpoint /appointments/booked o /appointments/changed para obtener los encuentros iniciales. Asocie el ID de la cita con PatientEpisodeId. Extraiga 'Appointment Scheduled' de la fecha de creación y 'Patient Checked In' de la hora de registro.
Recorra los encuentros para obtener eventos clínicos: Para cada ID de cita (encuentro), consulte los subendpoints clínicos. Llame a /chart/{encounterId}/vitals para obtener 'Initial Assessment Completed'. Llame a /chart/{encounterId}/orders para obtener 'Diagnostic Test Ordered', 'Specimen Collected' (según el estado) y 'Discharge Order Written'.
Obtenga resultados y diagnósticos: Consulte /chart/{encounterId}/analyteresults o /chart/{encounterId}/labresults para obtener 'Test Results Received'. Consulte /chart/{encounterId}/diagnoses para obtener 'Diagnosis Confirmed'.
Extraiga tratamientos y procedimientos: Consulte /chart/{encounterId}/plan para obtener 'Treatment Plan Developed'. Consulte /chart/{encounterId}/procedures para obtener 'Procedure Performed'. Consulte /chart/{encounterId}/medications/admin para obtener 'Medication Administered'.
Identifique los datos de ADT y las reclamaciones: Utilice el historial de estado de la cita o los endpoints hospitalarios específicos, si están disponibles, para capturar 'Patient Transferred' y 'Patient Discharged'. Consulte /claims relacionadas con la cita para extraer 'Claim Submitted'.
Vincule las consultas de seguimiento: Identifique 'Follow-Up Appointment Scheduled' buscando citas posteriores del mismo paciente, creadas dentro del período del encuentro.
Transforme y aplane los datos: Analice las respuestas JSON anidadas para crear una lista plana de diccionarios de eventos. Convierta todas las marcas de tiempo al formato ISO 8601. Asigne los campos a ActivityName, PatientEpisodeId y EventTimestamp.
Exporte los datos: Cargue la lista de diccionarios en un DataFrame de pandas, realice la limpieza final (incluido el tratamiento de valores nulos) y expórtelo a un archivo CSV listo para incorporarlo a ProcessMind.

Configuración

Credenciales de API: Se requiere un Client ID y un Secret válidos del portal para desarrolladores de athenahealth, con acceso al entorno de producción.
Practice ID: Identificador numérico único del consultorio médico. Si extrae datos de una red, debe ejecutar el script para cada consultorio.
Rango de fechas: Se recomienda extraer entre 3 y 6 meses de datos debido al volumen de información clínica detallada.
Límites de solicitudes: La API de athenaOne tiene límites estrictos, por ejemplo, 5 llamadas por segundo. El script incluye una función de espera, pero las extracciones a escala empresarial deben implementar un retroceso exponencial.
Permisos: Asegúrese de que el token tenga permisos para athena/service/Athenanet.MDP.* o permisos específicos para citas, historias clínicas y datos financieros.
Paginación: La mayoría de los endpoints devuelven un número limitado de registros, 1000 de forma predeterminada. El script debe gestionar los parámetros next u offset.
Filtro por departamento: Si analiza flujos específicos, por ejemplo, urgencias o atención ambulatoria, filtre por ID de departamento durante la extracción de citas.

a Consulta de ejemplo 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()

¿Todo listo para comenzar?

Comience a mejorar la atención al paciente. Este Template es el primer paso para obtener información valiosa y mejorar los resultados de la atención médica.

Volver a la guía de mejora Descargar Template

Optimice ahora la experiencia del paciente y elimine los cuellos de botella

Localice las ineficiencias en athenahealth y reduzca un 30 % el tiempo de ciclo de la experiencia del paciente.

Comience la prueba gratuita

No se requiere tarjeta de crédito. Comience a optimizar hoy.

Su Template de datos sobre la experiencia del paciente

Su Template de datos sobre la experiencia del paciente

Atributos de la experiencia del paciente

Actividades de la experiencia del paciente

Guías de extracción

Exportación CSV personalizada con el generador de informes de athenaNet

Pasos

Configuración

a Consulta de ejemplo python

Extracción de eventos de la API de athenaOne con Python

Pasos

Configuración

a Consulta de ejemplo python

¿Todo listo para comenzar?

Optimice ahora la experiencia del paciente y elimine los cuellos de botella

Su Template de datos sobre la experiencia del paciente

Su Template de datos sobre la experiencia del paciente

Atributos de la experiencia del paciente

Actividades de la experiencia del paciente

Guías de extracción

Exportación CSV personalizada con el generador de informes de athenaNet

Pasos

Configuración

a Consulta de ejemplo python

Extracción de eventos de la API de athenaOne con Python

Pasos

Configuración

a Consulta de ejemplo python

¿Todo listo para comenzar?

Optimice ahora la experiencia del paciente y elimine los cuellos de botella

Valoramos su privacidad