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

Su Template de datos del recorrido del paciente

athenahealth

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

Su Template de datos del recorrido del paciente

Esta plantilla ofrece una guía completa para recopilar los datos necesarios para analizar el recorrido del paciente. Describe los atributos y las actividades esenciales que debe seguir, junto con instrucciones claras para extraer esta información de athenahealth. Utilice este recurso para asegurarse de que sus datos estén preparados para un Process Mining eficaz.

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

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

Descargar Template

Atributos del recorrido del paciente

Estos son los campos de datos recomendados que debe incluir en su registro de eventos, fundamentales para analizar y comprender de forma completa los recorridos de sus 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 actúa como el identificador central del caso y agrupa todas las actividades relacionadas con un periodo de atención o una afección específicos de un paciente. Conecta eventos independientes, como citas, solicitudes diagnósticas y procedimientos de alta, en un único recorrido coherente. En el análisis, este ID es la clave principal para Process Mining, ya que permite reconstruir el flujo de principio a fin. Garantiza que las distintas visitas del mismo paciente por afecciones diferentes se traten como instancias de proceso independientes. Por qué es importante Es esencial para definir el alcance de una única instancia de proceso dentro del análisis. Dónde obtenerlo Se obtiene agrupando los ID de encuentros o vinculándolos a un ID específico de Episode of Care en athenahealth. Ejemplos EP-2023-88491EP-2023-99102ENC-55412-GRP
	Marca de tiempo del evento EventTimestamp	La fecha y hora específicas 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 las duraciones entre pasos. Es fundamental para el análisis basado en el tiempo, incluidos los tiempos de ciclo, los tiempos de espera y el análisis del rendimiento. Se recomienda una alta precisión para resolver el orden de los eventos que ocurren el mismo día. Por qué es importante Es necesaria para ordenar los eventos y calcular todos los KPI basados en el tiempo. Dónde obtenerlo Campos de marca de tiempo 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	El nombre del evento o la tarea realizada durante el recorrido del paciente.
Descripción Indica el paso específico que tiene lugar en el proceso, como «Patient Checked In», «Diagnostic Test Ordered» o «Medication Administered». 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. Estandarizar estos nombres es fundamental para obtener un mapa de procesos legible y sin agrupaciones innecesarias. 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 líneas de reclamación. Ejemplos Cita programadaPaciente registrado a su llegadaPrueba diagnóstica solicitadaPaciente dado de alta
	Sistema de origen SourceSystem	El nombre del sistema del que proceden los datos.
Descripción Identifica el sistema de TI responsable de generar el registro, en este caso, «athenahealth». Es especialmente útil en entornos con varios sistemas en los que pueden combinarse datos. Permite a los analistas filtrar la vista por fuente de datos y resolver problemas de calidad de datos específicos de un sistema. Por qué es importante Proporciona el linaje y el contexto de los datos en configuraciones de Process Mining con varios sistemas. Dónde obtenerlo Literal codificado de forma fija o ID de configuración del sistema. Ejemplos athenahealthAthenaOneAthenaPractice
	Última actualización de los datos LastDataUpdate	La marca de tiempo en la que se extrajeron o actualizaron los datos por última vez.
Descripción Indica la actualidad de los datos utilizados en el análisis. Ayuda a los usuarios a saber si están consultando datos en tiempo real o una instantánea histórica. Se utiliza para gestionar las canalizaciones de datos y garantizar que los Dashboard reflejen el estado más reciente del proceso. Por qué es importante Es fundamental para la gobernanza de datos y la confianza de los usuarios en la actualidad del Dashboard. Dónde obtenerlo Hora del sistema en el momento de la ejecución del ETL. Ejemplos 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	¿Es una readmisión? IsReadmission	Indicador que señala si este episodio representa un regreso no programado.
Descripción Indicador booleano que identifica si el paciente regresó al hospital dentro de un periodo determinado, por ejemplo, 30 días después de un alta previa. Esto respalda directamente el KPI «Porcentaje de readmisiones no programadas». Al filtrar por este atributo, los analistas pueden profundizar en las causas raíz de las readmisiones e identificar patrones en las vías de tratamiento iniciales. Por qué es importante Respalda directamente el KPI de tasa de readmisión. Dónde obtenerlo Se calcula durante el ETL comparando la fecha de admisión con la fecha del alta anterior. Ejemplos truefalse
	Código de diagnóstico principal PrimaryDiagnosisCode	El código ICD-10 principal asociado al episodio.
Descripción Clasifica el motivo clínico del recorrido del paciente. Proporciona el contexto necesario para «Age Group & Diagnosis Journey Comparison». Los analistas lo utilizan para segmentar los recorridos por afección, por ejemplo, neumonía frente a fractura, porque cada afección tiene rutas y tiempos de ciclo previstos muy diferentes. Por qué es importante Permite comparar casos similares; los tiempos de ciclo varían considerablemente según el diagnóstico. Dónde obtenerlo Campos de diagnóstico del encuentro o de la reclamación (ICD-10). Ejemplos J18.9I10E11.9
	Destino del alta DischargeDisposition	El 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 «Discharge Planning & Readmission Trends». Proporciona contexto sobre la complejidad de la planificación del alta necesaria y ayuda a evaluar la eficacia de las transiciones asistenciales. Por qué es importante Contexto fundamental para la planificación del alta y el riesgo de readmisión. Dónde obtenerlo campos de encuentros de athenahealth o registros de alta hospitalaria. Ejemplos DomicilioCentro de enfermería especializadaTrasladado a un hospital de corta estanciaFallecido
	Grupo de edad del paciente PatientAgeGroup	Agrupación categórica de la edad del paciente, por ejemplo, 18-25 o 65+.
Descripción Segmenta a los pacientes en grupos demográficos. Es necesario directamente para el Dashboard «Age Group & Diagnosis Journey Comparison». 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 los pacientes pediátricos. Por qué es importante Segmento demográfico estándar para el análisis de procesos sanitarios. Dónde obtenerlo Se obtiene a partir de Patient DOB y StartTime. Ejemplos 18-2930-4965+
	Hora de finalización del evento EventEndTime	La hora en que se completó la actividad específica.
Descripción Captura la hora de finalización de una actividad y permite calcular la duración activa, o tiempo de procesamiento, del propio paso, diferenciándola del tiempo de espera anterior. Se utiliza para analizar la eficiencia de los recursos e identificar las tareas que tardan más de lo previsto en ejecutarse manualmente. Por qué es importante Permite calcular el tiempo de procesamiento activo frente al tiempo de espera pasivo. Dónde obtenerlo Hora 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 de paciente PatientId	Un identificador único del paciente, anonimizado o con hash.
Descripción Identifica de forma única al cliente, en este caso, el 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 readmisión. Es fundamental para el KPI «Percentage of Unscheduled Readmissions». Por qué es importante Es necesario para realizar el seguimiento de las readmisiones y del historial del paciente entre episodios. Dónde obtenerlo Campo «patientid» de athenahealth. Ejemplos PAT-100234PAT-559201PAT-992210
	Nombre del departamento DepartmentName	El departamento del hospital o la clínica donde tuvo lugar la actividad.
Descripción Segmenta los datos del proceso por unidad funcional, como Emergencias, Cardiología o Radiología. Es esencial para el Dashboard «Departmental Throughput & Handoffs». El análisis mediante 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 resuelto al nombre del departamento. Ejemplos Servicio de urgenciasMedicina internaRadiología
	Nombre del profesional ProviderName	El nombre del profesional sanitario que realiza la actividad.
Descripción Identifica al médico, enfermero o técnico responsable del evento. Este atributo es fundamental para analizar el uso de los recursos. Permite comparar métricas de rendimiento, como el rendimiento y el tiempo de ciclo, entre distintos miembros del personal para identificar necesidades de formación o desequilibrios en la carga de trabajo. Por qué es importante Es clave para la «Resource Utilization Rate» y el análisis de los traspasos. Dónde obtenerlo El «providerid» de athenahealth resuelto al nombre del directorio de profesionales. Ejemplos Dr. SmithEnfermero JonesTécnico Adams
	Tipo de encuentro EncounterType	La clasificación de la visita, por ejemplo, consulta, telesalud o emergencia.
Descripción Define la modalidad o el entorno de la atención prestada. Actúa como «Case Type» en los modelos de datos genéricos. Los distintos tipos de encuentro tienen flujos y requisitos de facturación previstos diferentes. Filtrar por este atributo es esencial para no comparar casos incomparables en el análisis del tiempo de ciclo. Por qué es importante Distingue entre distintas variantes del proceso, como telesalud y atención presencial. Dónde obtenerlo Campo «encountertype» de athenahealth. Ejemplos Consulta presencialTelemedicinaUrgenciasCirugía
	¿Es un retrabajo? IsRework	Indicador que señala si esta actividad es una repetición.
Descripción Indicador booleano que es verdadero si la actividad se ha producido más de una vez dentro del mismo caso. Esto respalda el Dashboard «Frecuencia de actividades y bucles de retrabajo». Permite aislar de inmediato los casos que contienen retrabajo y facilita el cálculo del KPI «Frecuencia de actividades de retrabajo». Por qué es importante Identifica ineficiencias del proceso y pasos redundantes. Dónde obtenerlo Se calcula durante el ETL a partir de las apariciones de actividades por CaseId. Ejemplos truefalse
	Estado de la reclamación ClaimStatus	Estado de la reclamación financiera asociada a la atención.
Descripción Indica la situación de la reclamación de facturación, por ejemplo, «enviada», «rechazada» o «pagada». Es relevante para la actividad «Reclamación enviada» y el rendimiento financiero del proceso. Ayuda a identificar si los problemas de documentación clínica están provocando retrasos financieros posteriores. Por qué es importante Relaciona la eficiencia clínica con el rendimiento del ciclo de ingresos. Dónde obtenerlo Campo «claimstatus» de athenahealth. Ejemplos FACTURADOEN ESPERADESCARTAR
	Estado del resultado diagnóstico DiagnosticResultStatus	Estado del resultado de una orden diagnóstica, por ejemplo, positivo o normal.
Descripción Registra el resultado general de una prueba. Proporciona contexto para el «tiempo de espera de las pruebas diagnósticas» y las decisiones de tratamiento posteriores. Se utiliza para analizar si los resultados anómalos conducen 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 cobrado TotalChargeAmount	Importe monetario cobrado por la actividad o el episodio.
Descripción Valor financiero asociado a la actividad o al importe total de la reclamación. Esto permite realizar Process Mining basado en costes y analizar el impacto financiero. Se utiliza para identificar variaciones de alto coste en las vías de tratamiento 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 solicitud OrderType	Categoría de la solicitud, por ejemplo, laboratorio, imágenes o receta.
Descripción Clasifica las solicitudes clínicas realizadas durante el episodio. Es fundamental para el Dashboard «Diagnostic Testing Lead Time». Permite a los analistas medir los tiempos de respuesta específicamente para laboratorio e imágenes, que suelen tener acuerdos de nivel de servicio y cuellos de botella diferentes. Por qué es importante Segmenta el proceso diagnóstico para analizar específicamente los tiempos de respuesta. Dónde obtenerlo «ordertype» o «class» de athenahealth en la API de solicitudes. Ejemplos LaboratorioDiagnóstico por imagenRecetaProcedimiento

Obligatorio Recomendado Opcional

Actividades del recorrido del paciente

Estos son los pasos clave y los hitos del proceso que debe capturar en su registro de eventos para descubrir con precisión el proceso y optimizar 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 el encuentro actual. Puede inferirse a partir de la marca de tiempo de creación o de «última actualización» del código de diagnóstico principal, como ICD-10, asociado al encuentro del paciente.
Por qué es importante Este es un hito decisivo que determina la ruta de tratamiento posterior. Analizar las variaciones en las actividades posteriores 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 del encuentro. Un cambio o la finalización del código de diagnóstico y su marca de tiempo asociada señalan este evento. Recopilar Detecte la marca de tiempo en la que se añade o actualiza el diagnóstico principal del encuentro. Tipo de evento inferred
	Evaluación inicial completada	Marca la finalización de la primera evaluación clínica, como el triaje o la evaluación de enfermería, en la que se registran las constantes vitales y los motivos principales de consulta. Este evento suele inferirse a partir de la marca de tiempo de la primera nota clínica firmada o de un formulario de evaluación completado para el encuentro.
Por qué es importante Este hito indica el inicio de la atención clínica. La duración 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 en athenaClinicals. Es necesario identificar los tipos de documentos pertinentes para el triaje o la admisión. Recopilar Identifique la primera marca de tiempo de una nota clínica, una hoja de registro de constantes vitales o un formulario específico de admisión del encuentro. Tipo de evento inferred
	Orden de alta redactada	Un médico o profesional autorizado redacta una orden oficial para dar de alta al paciente. Es 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 esta orden y el alta efectiva es un indicador clave de rendimiento para «Discharge Planning Lead Time». Dónde obtenerlo Se encuentra en la tabla de solicitudes. El evento se identifica mediante un tipo de solicitud específico «Discharge» y su marca de tiempo de creación. Recopilar 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 oficialmente el alta y la parte de su recorrido dentro del centro ha finalizado. Es el último evento ADT de un encuentro de hospitalización y se captura 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 «Patient Journey Cycle Time» general y resulta esencial para analizar las readmisiones. Dónde obtenerlo Es un evento explícito del sistema ADT o de la tabla de encuentros del paciente, que marca el estado final del encuentro como «Discharged», junto con una marca de tiempo. Recopilar El estado del encuentro del paciente se actualiza a «Discharged» y se registra un evento ADT. Tipo de evento explicit
	Paciente registrado a su llegada	Esta actividad indica la llegada del paciente y su registro formal para la cita o visita programada. Normalmente se captura 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 del paciente dentro del centro. Sirve como punto de partida fundamental para medir los tiempos de espera y el tiempo de ciclo general de un encuentro clínico. Dónde obtenerlo Se registra como una actualización de estado en las tablas de citas o encuentros. Busque el estado «Checked-In» y su marca de tiempo correspondiente. Recopilar El cambio de estado del objeto de cita o encuentro 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 capturado en la documentación clínica, normalmente con las horas específicas de inicio y finalización registradas en una nota del procedimiento.
Por qué es importante Los procedimientos son hitos importantes del tratamiento del paciente. Analizar las actividades anteriores y posteriores a un procedimiento ayuda a optimizar los Workflow 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 documentada de inicio o finalización del procedimiento. Recopilar 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. Normalmente se captura 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 para las decisiones clínicas posteriores, como el diagnóstico y la planificación del tratamiento. Este evento marca el punto final para medir los tiempos de respuesta diagnóstica. Dónde obtenerlo Se encuentra en la tabla de resultados o diagnósticos, vinculada a la solicitud original. El evento queda marcado por la hora en que el resultado se archivó o se recibió en la historia clínica del paciente. Recopilar Se crea un nuevo registro de resultados con una marca de tiempo, a menudo mediante una interfaz de un LIS o RIS. Tipo de evento explicit
	Cita de seguimiento programada	Se programa una cita de seguimiento para el paciente después de su tratamiento principal o del alta. Este evento se captura 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 readmisión. Muestra la continuidad de la atención. Dónde obtenerlo Se registra en la tabla de citas. El evento se identifica mediante la marca de tiempo de creación de una cita posterior a la fecha de alta. Recopilar Se crea un nuevo registro de cita en el sistema de programación. Tipo de evento explicit
	Cita programada	Representa la reserva de una cita para un paciente. Este evento se captura explícitamente cuando un usuario crea y confirma una nueva cita en el módulo de programación de athenahealth, athenaCommunicator.
Por qué es importante Esta actividad marca el punto de inicio de muchos recorridos de pacientes. Analizar el tiempo transcurrido desde la programación hasta el registro de llegada ayuda a comprender el acceso de los pacientes y la eficiencia previa a la visita. Dónde obtenerlo Es un evento explícito registrado en las tablas de citas o de programación. Normalmente está asociado a una marca de tiempo de creación y a un ID de paciente. Recopilar El evento se registra al crear un registro de 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 su momento ayuda a medir el «Time to First Treatment» y a garantizar el cumplimiento de los horarios de medicación. Dónde obtenerlo Se encuentra en las tablas de datos del MAR. Cada evento de administración incluye un ID de paciente, un ID de medicamento, la dosis y la marca de tiempo de administración. Recopilar Cada vez que se documenta la administración de un medicamento, se crea en el MAR un registro con marca de tiempo. Tipo de evento explicit
	Muestra recogida	Representa el evento en el que se recoge del paciente una muestra biológica, como sangre u orina, para una prueba de laboratorio. Normalmente es 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 y los resultados puede revelar cuellos de botella importantes en los Workflow del laboratorio. Dónde obtenerlo Este evento puede encontrarse como un cambio de estado de la solicitud de laboratorio o como un evento independiente en un sistema de información de laboratorio conectado con athenahealth. Busque el estado «Collected» y su marca de tiempo. Recopilar 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 o departamento de atención a otro, por ejemplo, del Departamento de Emergencias a una planta de hospitalización. Esto se captura explícitamente mediante un evento de Admission, Discharge, Transfer (ADT) en el EHR.
Por qué es importante Esta actividad es fundamental para analizar los traspasos entre departamentos y el flujo de pacientes dentro del centro. Ayuda a identificar cuellos de botella en el «Patient Handoff Time» y en la asignación de recursos. Dónde obtenerlo Se registra en el Registro de eventos 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. Recopilar Al trasladar al paciente, se genera un mensaje o una entrada del Registro de eventos ADT con una marca de tiempo. Tipo de evento explicit
	Plan de tratamiento desarrollado	Representa la creación y documentación formal del plan de tratamiento de un paciente por parte de un profesional clínico. Puede capturarse mediante 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 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. Recopilar 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 profesional sanitario solicita una prueba diagnóstica, como un análisis de laboratorio, una prueba de imagen u otro procedimiento. Se trata de un evento explícito, con marca de tiempo, creado mediante la funcionalidad CPOE (Computerized Provider Order Entry) de athenaClinicals.
Por qué es importante Este es un punto de decisión crítico que inicia un subproceso diagnóstico. El seguimiento de esta actividad es esencial para analizar el KPI «Diagnostic Test Lead Time», desde la solicitud hasta el resultado. Dónde obtenerlo Se encuentra en la tabla de solicitudes. Cada solicitud incluye un identificador de paciente, el nombre de la solicitud, su estado y una marca de tiempo de creación. Recopilar 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 el encuentro del paciente. 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 proceso del ciclo de ingresos que se desarrolla 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 marca de tiempo de creación o envío de la reclamación. Recopilar Se crea un registro de reclamación y su estado se actualiza a «Submitted» con una marca de tiempo. Tipo de evento explicit

Recomendado Opcional

Guías de extracción

Cómo obtener sus datos de athenahealth

Pasos

Inicie sesión en el portal de athenaNet con sus credenciales seguras.
Acceda al módulo Reports 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 se asegurará de que los datos detallados se centren en el episodio específico del paciente.
En el área de selección «Columns» o «Fields», busque y añada Patient Identifier (Patient ID) y Encounter Identifier (Encounter ID) para utilizarlos como Case Identifier.
Añada las columnas demográficas y de contexto 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 buscarlas en distintos grupos de campos, por ejemplo, «Scheduling» para Appointment Scheduled, «Check-in» para Check-in Time y «Billing» para Claim Submitted. Cuando esté disponible, seleccione el formato «Date and Time», no solo Date.
Aplique filtros a la configuración del informe. Defina el intervalo de «Encounter Date» según el periodo que desea analizar, por ejemplo, Last 6 Months, y excluya las citas «Cancelled» o «No Show» para centrarse en los recorridos completados.
Haga clic en «Run Report» para previsualizar los datos. Compruebe que las columnas contienen datos y no son completamente nulas.
Seleccione «Export» y elija «CSV» (Comma Separated Values) como formato. No utilice las funciones 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, en formato ancho, debe transformarlo en un registro de eventos en formato largo. Utilice el script de Python proporcionado en la sección Query para realizar esta transformación.
Ejecute el script para generar el archivo final «process_mining_event_log.csv» y súbalo a ProcessMind.

Configuración

Categoría del informe: Elija «Encounter Activity» o «Clinicals» como categoría base para capturar la mayoría de los pasos del Workflow clínico.
Intervalo de fechas: Limite la extracción inicial a entre 3 y 6 meses para evitar tiempos de espera agotados o límites de filas, normalmente de unas 50.000 filas 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 prefiera «Check-in Date/Time» absoluto.
Gestión de valores nulos: Configure el informe para mostrar celdas en blanco cuando falten datos, en lugar de texto personalizado como «N/A», a fin de facilitar el procesamiento mediante scripts.
Filtrado 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 centrado.
Permisos: El usuario necesita permisos de «Report Creator» o «Clinical Reporting» en athenaNet para acceder a Custom Report Builder.

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

Registrar la aplicación de API: Inicie sesión en athenahealth Developer Portal 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).
Configurar el entorno de Python: Instale las bibliotecas de Python necesarias, requests y pandas, en su entorno de ejecución mediante pip install requests pandas.
Autenticarse: Implemente el flujo OAuth 2.0 Client Credentials para obtener un token de acceso. Debe incluir este token en la cabecera Authorization, como Bearer token, de todas las llamadas posteriores a la API.
Definir el alcance: Establezca el Practice ID y el intervalo de fechas de la extracción. Las API de Athenahealth son específicas de cada consulta, por lo que deberá iterar por los Practice ID si gestiona varias.
Extraer citas: Consulte el endpoint /appointments/booked o /appointments/changed para recuperar los encuentros base. Asigne el ID de la cita a PatientEpisodeId. Extraiga «Appointment Scheduled» de la fecha de creación y «Patient Checked In» de la hora de registro.
Iterar por los encuentros para obtener eventos clínicos: Para cada ID de cita o encuentro, consulte los subendpoints clínicos. Llame a /chart/{encounterId}/vitals para «Initial Assessment Completed». Llame a /chart/{encounterId}/orders para «Diagnostic Test Ordered», «Specimen Collected» según el estado y «Discharge Order Written».
Recuperar resultados y diagnósticos: Consulte /chart/{encounterId}/analyteresults o /chart/{encounterId}/labresults para «Test Results Received». Consulte /chart/{encounterId}/diagnoses para «Diagnosis Confirmed».
Extraer tratamientos y procedimientos: Consulte /chart/{encounterId}/plan para «Treatment Plan Developed». Consulte /chart/{encounterId}/procedures para «Procedure Performed». Consulte /chart/{encounterId}/medications/admin para «Medication Administered».
Identificar ADT y reclamaciones: Utilice el historial de estados de la cita o endpoints hospitalarios específicos, si están disponibles, para capturar «Patient Transferred» y «Patient Discharged». Consulte /claims relacionados con la cita para extraer «Claim Submitted».
Vincular seguimientos: Identifique «Follow-Up Appointment Scheduled» buscando citas posteriores creadas para el mismo ID de paciente dentro del periodo del encuentro.
Transformar y aplanar: 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.
Exportar los datos: Cargue la lista de diccionarios en un DataFrame de pandas, realice la limpieza final, incluida la gestión de valores nulos, y expórtela a un archivo CSV listo para la ingesta en ProcessMind.

Configuración

Credenciales de API: Se necesita un Client ID y un Secret válidos del athenahealth Developer Portal con acceso de producción.
Practice ID: Identificador numérico único del contexto de la consulta médica. Si extrae datos para una red, debe ejecutar el script por cada consulta.
Intervalo de fechas: Se recomienda extraer datos de un periodo de entre 3 y 6 meses debido al volumen de datos clínicos detallados.
Limitación 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.
Scopes: Asegúrese de que el token incluya permisos para athena/service/Athenanet.MDP.* o permisos granulares específicos para citas, historias clínicas y datos financieros.
Paginación: La mayoría de los endpoints devuelve un número limitado de registros, 1.000 de forma predeterminada. El script debe gestionar los parámetros next u offset.
Filtrado por departamento: Si analiza flujos específicos, por ejemplo, Urgencias frente a atención ambulatoria, filtre por el ID del departamento durante la fase de obtención 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()

¿Está listo para comenzar?

Comience su camino hacia una atención optimizada para los pacientes. Esta plantilla es el primer paso para descubrir información valiosa y mejorar los resultados sanitarios.

Volver a la guía de mejora Descargar Template

Optimice ahora el recorrido del paciente y elimine los cuellos de botella

Identifique las ineficiencias en athenahealth y reduzca un 30 % el tiempo de ciclo del recorrido del paciente.

Iniciar la prueba gratuita

No necesita tarjeta de crédito. Empiece a optimizar hoy mismo.

Su Template de datos del recorrido del paciente

Su Template de datos del recorrido del paciente

Atributos del recorrido del paciente

Actividades del recorrido del paciente

Guías de extracción

Exportación personalizada a CSV con athenaNet Report Builder

Pasos

Configuración

a Consulta de ejemplo python

Extracción de eventos de la API de athenaOne con Python

Pasos

Configuración

a Consulta de ejemplo python

¿Está listo para comenzar?

Optimice ahora el recorrido del paciente y elimine los cuellos de botella

Su Template de datos del recorrido del paciente

Su Template de datos del recorrido del paciente

Atributos del recorrido del paciente

Actividades del recorrido del paciente

Guías de extracción

Exportación personalizada a CSV con athenaNet Report Builder

Pasos

Configuración

a Consulta de ejemplo python

Extracción de eventos de la API de athenaOne con Python

Pasos

Configuración

a Consulta de ejemplo python

¿Está listo para comenzar?

Optimice ahora el recorrido del paciente y elimine los cuellos de botella

Valoramos su privacidad