> Amélioration continue des processus > Parcours du patient > athenahealth > Modèle de données

Votre modèle de données du parcours patient

athenahealth

Attributs du parcours du patient (19) Activités du parcours du patient (15) Guides d’extraction (2)

Votre modèle de données du parcours patient

Ce modèle fournit un guide complet pour recueillir les données nécessaires à l’analyse de votre parcours patient. Il présente les attributs et les activités essentiels à suivre, ainsi que des indications claires pour extraire ces informations d’athenahealth. Utilisez cette ressource pour vous assurer que vos données sont prêtes pour une analyse efficace par Process Mining.

Attributs recommandés à recueillir
Activités clés à suivre
Guide d’extraction athenahealth

Vous découvrez les journaux d’événements ? En savoir plus sur la création d’un journal d’événements pour le Process Mining.

Télécharger le modèle

Attributs du parcours du patient

Voici les champs de données recommandés à inclure dans votre journal d’événements, essentiels pour analyser et comprendre les parcours de vos patients de manière complète.

5 Obligatoire 9 Recommandé 5 Facultatif

	Nom	Description
	Dernière mise à jour des données LastDataUpdate	Horodatage de la dernière extraction ou actualisation des données.
Description Indique l’actualité des données utilisées dans l’analyse. Il permet de savoir si vous consultez des données en temps réel ou un instantané historique. Il sert à gérer les pipelines de données et à garantir que les Dashboards reflètent l’état le plus récent du processus. Pourquoi c’est important Essentiel à la gouvernance des données et à la confiance des utilisateurs dans l’actualité du Dashboard. Où les obtenir Heure système au moment de l’exécution de l’ETL. Exemples 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Épisode de soins du patient PatientEpisodeId	Identifiant unique de l’épisode de soins ou du parcours spécifique du patient.
Description Cet attribut sert d’identifiant de dossier central et regroupe toutes les activités liées à une période de soins ou à une pathologie donnée pour un patient. Il relie des événements distincts, tels que les rendez-vous, les prescriptions d’examens diagnostiques et les procédures de sortie, au sein d’un parcours cohérent. Dans l’analyse, cet identifiant constitue la clé primaire du Process Mining et permet de reconstituer le flux de bout en bout. Il garantit que plusieurs visites d’un même patient, liées à des pathologies différentes, sont traitées comme des instances de processus distinctes. Pourquoi c’est important Indispensable pour définir le périmètre d’une instance de processus unique dans l’analyse. Où les obtenir Dérivé du regroupement des identifiants de consultations ou associé à un identifiant d’épisode de soins spécifique dans athenahealth. Exemples EP-2023-88491EP-2023-99102ENC-55412-GRP
	Horodatage de l’événement EventTimestamp	Date et heure précises auxquelles l’activité a eu lieu.
Description Enregistre le moment exact où une activité s’est déroulée. Il sert à ordonner chronologiquement les événements et à calculer les durées entre les étapes. Il est essentiel pour les analyses temporelles, notamment les temps de cycle, les temps d’attente et le débit. Une précision élevée est préférable pour déterminer l’ordre d’événements survenus le même jour. Pourquoi c’est important Nécessaire pour ordonner les événements et calculer tous les KPI temporels. Où les obtenir Champs d’horodatage associés aux changements de statut ou aux dates de création dans les tables athenahealth. Exemples 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Nom de l’activité ActivityName	Nom de l’événement ou de la tâche réalisée dans le parcours du patient.
Description Indique l’étape précise du processus, par exemple « Patient Checked In », « Diagnostic Test Ordered » ou « Medication Administered ». Cette chaîne de caractères définit les nœuds de la cartographie du processus. Elle sert à visualiser le flux du processus et à identifier la séquence des opérations. La standardisation de ces noms est essentielle pour obtenir une cartographie lisible, sans regroupements indésirables. Pourquoi c’est important Définit les étapes de la cartographie du processus et est obligatoire pour tout Process Mining. Où les obtenir Dérivé des journaux d’audit, des changements de statut des rendez-vous ou des descriptions des lignes de demande de remboursement. Exemples Rendez-vous planifiéPatient enregistré à l’arrivéeExamen diagnostique prescritPatient sorti
	Système source SourceSystem	Nom du système à l’origine des données.
Description Identifie le système informatique responsable de la génération de l’enregistrement, ici « athenahealth ». Cet attribut est particulièrement utile dans les environnements multisystèmes où les données peuvent être combinées. Il permet aux analystes de filtrer la vue par source de données et de résoudre les problèmes de qualité propres à un système donné. Pourquoi c’est important Fournit la traçabilité et le contexte des données dans les environnements de Process Mining multisystèmes. Où les obtenir Valeur littérale codée en dur ou identifiant de configuration du système. Exemples athenahealthAthenaOneAthenaPractice
	Code du diagnostic principal PrimaryDiagnosisCode	Code ICD-10 principal associé à l’épisode.
Description Classe le motif clinique du parcours du patient. Il fournit le contexte nécessaire au Dashboard « comparaison des parcours par tranche d’âge et par diagnostic ». Les analystes l’utilisent pour segmenter les parcours par pathologie, par exemple pneumonie ou fracture, car les parcours attendus et les temps de cycle peuvent varier considérablement selon les pathologies. Pourquoi c’est important Permet de comparer des cas similaires, car les temps de cycle varient fortement selon le diagnostic. Où les obtenir Champs de diagnostic de la consultation ou de la demande de remboursement, selon la classification ICD-10. Exemples J18.9I10E11.9
	Destination de sortie DischargeDisposition	Destination ou statut du patient au moment de sa sortie.
Description Indique où le patient s’est rendu après l’épisode, par exemple à son domicile, dans un établissement de soins infirmiers spécialisés ou en hospice. Cet attribut est essentiel au suivi de la planification des sorties et des tendances de réadmission. Il fournit le contexte nécessaire pour évaluer la complexité de la planification de sortie et l’efficacité des transitions de soins. Pourquoi c’est important Contexte essentiel pour la planification des sorties et l’évaluation du risque de réadmission. Où les obtenir Champs des rencontres athenahealth ou dossiers de sortie d’hôpital. Exemples DomicileÉtablissement de soins infirmiers spécialisésTransféré vers un établissement hospitalier de court séjourDécédé
	Heure de fin de l’événement EventEndTime	Heure à laquelle l’activité concernée a été terminée.
Description Enregistre l’heure de fin d’une activité et permet de calculer sa durée active, c’est-à-dire son temps de traitement, indépendamment du temps d’attente qui la précède. Il sert à analyser l’efficacité des ressources et à repérer les tâches dont l’exécution manuelle prend plus de temps que prévu. Pourquoi c’est important Permet de calculer le temps de traitement actif par rapport au temps d’attente passif. Où les obtenir Heure de sortie, heure de vérification du résultat ou horodatage précis de fin dans athenahealth. Exemples 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Identifiant patient PatientId	Identifiant unique du patient, anonymisé ou haché.
Description Identifie de manière unique le client, c’est-à-dire le patient, qui suit le parcours. Bien qu’il soit similaire à l’identifiant de dossier, un même patient peut avoir plusieurs épisodes au fil du temps. Il sert à relier les visites répétées et à analyser les taux de réadmission. Il est indispensable au KPI « pourcentage de réadmissions non planifiées ». Pourquoi c’est important Nécessaire pour suivre les réadmissions et l’historique du patient entre les différents épisodes. Où les obtenir Champ « patientid » d’athenahealth. Exemples PAT-100234PAT-559201PAT-992210
	Nom du professionnel de santé ProviderName	Nom du professionnel de santé qui réalise l’activité.
Description Identifie le médecin, l’infirmier ou le technicien responsable de l’événement. Cet attribut est essentiel à l’analyse de l’utilisation des ressources. Il permet de comparer les indicateurs de performance, tels que le débit et le temps de cycle, entre les membres du personnel afin de repérer les besoins de formation ou les déséquilibres de charge. Pourquoi c’est important Essentiel pour le « taux d’utilisation des ressources » et l’analyse des relais. Où les obtenir Champ « providerid » d’athenahealth associé au nom du professionnel dans l’annuaire. Exemples Dr SmithInfirmier JonesTechnicien Adams
	Nom du service DepartmentName	Service hospitalier ou clinique dans lequel l’activité a eu lieu.
Description Segmente les données du processus par unité fonctionnelle, comme les urgences, la cardiologie ou la radiologie. Cet attribut est essentiel pour le Dashboard « Departmental Throughput & Handoffs ». L’analyse de cet attribut met en évidence les goulots d’étranglement dans certains secteurs et aide à optimiser le parcours des patients entre les services. Pourquoi c’est important Essentiel pour repérer les goulots d’étranglement organisationnels et les inefficacités dans les transmissions. Où les obtenir Champ « departmentid » d’athenahealth associé au nom du service. Exemples Service des urgencesMédecine interneRadiologie
	Réadmission IsReadmission	Indicateur précisant si cet épisode correspond à un retour non programmé.
Description Indicateur booléen précisant si le patient est revenu à l’hôpital dans un délai défini, par exemple 30 jours, après une sortie précédente. Il permet de calculer directement le KPI « Pourcentage de réadmissions non programmées ». En filtrant sur cet attribut, les analystes peuvent examiner les causes profondes des réadmissions et repérer les tendances dans les parcours de traitement initiaux. Pourquoi c’est important Contribue directement au KPI du taux de réadmission. Où les obtenir Calculé pendant l’ETL en comparant la date d’admission à la date de sortie précédente. Exemples truefalse
	Tranche d’âge du patient PatientAgeGroup	Regroupement catégoriel de l’âge du patient, par exemple 18-25 ans ou 65 ans et plus.
Description Répartit les patients en cohortes démographiques. Cet attribut est directement requis par le Dashboard « comparaison des parcours par tranche d’âge et par diagnostic ». Il aide à déterminer si les inefficacités des processus ou les résultats touchent de manière disproportionnée certaines tranches d’âge, notamment les personnes âgées ou les patients pédiatriques. Pourquoi c’est important Segment démographique standard pour l’analyse des processus de santé. Où les obtenir Dérivé de la date de naissance du patient et de StartTime. Exemples 18-2930-4965+
	Type de consultation EncounterType	Classification de la visite, par exemple consultation au cabinet, téléconsultation ou urgence.
Description Définit la modalité ou le cadre des soins fournis. Il joue le rôle de « type de dossier » dans les modèles de données génériques. Les différents types de consultation ont des flux et des exigences de facturation spécifiques. Le filtrage par cet attribut est indispensable pour éviter de comparer des situations qui ne sont pas comparables lors de l’analyse des temps de cycle. Pourquoi c’est important Distingue les différentes variantes du processus, par exemple la téléconsultation et la consultation en présentiel. Où les obtenir Champ « encountertype » d’athenahealth. Exemples Consultation au cabinetTéléconsultationUrgencesChirurgie
	Montant total facturé TotalChargeAmount	Montant facturé pour l’activité ou l’épisode.
Description Valeur financière associée à l’activité ou montant total de la demande de remboursement. Elle permet d’effectuer un Process Mining fondé sur les coûts et d’analyser l’impact financier. Utilisé pour repérer les variations coûteuses dans les parcours de traitement et mettre en relation l’efficacité du processus avec les résultats financiers. Pourquoi c’est important Ajoute une dimension financière à l’analyse du processus. Où les obtenir « amount » ou « totalcharge » d’athenahealth dans les tables de demandes de remboursement ou de facturation. Exemples 150.002500.5045.00
	Reprise IsRework	Indicateur précisant si cette activité est une répétition.
Description Indicateur booléen vrai lorsque l’activité s’est produite plusieurs fois dans le même cas. Il alimente le Dashboard « Fréquence des activités et boucles de reprise ». Il permet d’isoler immédiatement les cas comportant une reprise et de faciliter le calcul du KPI « Fréquence des activités reprises ». Pourquoi c’est important Identifie les inefficacités du processus et les étapes redondantes. Où les obtenir Calculé pendant l’ETL à partir du nombre d’occurrences de l’activité par CaseId. Exemples truefalse
	Statut de la demande de remboursement ClaimStatus	Statut de la demande de remboursement associée aux soins.
Description Indique l’état de la demande de remboursement, par exemple « Soumise », « Refusée » ou « Payée ». Cet attribut est pertinent pour l’activité « Demande de remboursement soumise » et pour le débit financier du processus. Il aide à déterminer si des problèmes de documentation clinique entraînent des retards financiers en aval. Pourquoi c’est important Relie l’efficacité clinique à la performance du cycle de revenus. Où les obtenir Champ « claimstatus » d’athenahealth. Exemples FACTURÉEN ATTENTEABANDONNÉ
	Statut du résultat diagnostique DiagnosticResultStatus	Statut du résultat d’une demande de diagnostic, par exemple positif ou normal.
Description Enregistre le résultat général d’un examen. Il fournit le contexte nécessaire au « délai de réalisation des examens diagnostiques » et aux décisions thérapeutiques qui suivent. Utilisé pour déterminer si des résultats anormaux entraînent des actions ultérieures plus rapides que des résultats normaux. Pourquoi c’est important Relie le déroulement du processus aux résultats cliniques. Où les obtenir Champs d’observation des résultats de laboratoire athenahealth. Exemples NormalAnormalCritique
	Type de prescription OrderType	Catégorie de la prescription, par exemple laboratoire, imagerie ou ordonnance.
Description Classe les commandes cliniques passées pendant l’épisode. Cet attribut est essentiel pour le Dashboard « Diagnostic Testing Lead Time ». Il permet aux analystes de mesurer les délais spécifiquement pour les laboratoires et l’imagerie, qui présentent souvent des accords de niveau de service et des goulots d’étranglement différents. Pourquoi c’est important Segmente le processus diagnostique afin d’analyser les délais de réalisation par catégorie. Où les obtenir Champ « ordertype » ou « class » d’athenahealth dans l’API des prescriptions. Exemples LaboratoireImageriePrescriptionActe médical

Obligatoire Recommandé Facultatif

Activités du parcours du patient

Voici les étapes essentielles du processus et les jalons à enregistrer dans votre journal d’événements pour obtenir une découverte précise et optimiser l’expérience patient.

7 Recommandé 8 Facultatif

	Activité	Description
	Diagnostic confirmé	Un clinicien attribue ou confirme officiellement le diagnostic correspondant à l’état du patient pour la consultation en cours. L’événement peut être déduit de l’horodatage de création ou de dernière mise à jour du code de diagnostic principal, tel qu’un code ICD-10 associé à la consultation.
Pourquoi c’est important Il s’agit d’une étape déterminante qui définit le parcours de traitement à venir. L’analyse des variations dans les activités postérieures permet de mieux comprendre et de standardiser les protocoles de soins. Où les obtenir L’événement est déduit de la liste des problèmes du patient ou des données de diagnostic de la consultation. Une modification ou la finalisation du code de diagnostic et de son horodatage signale cet événement. Collecte Détectez l’horodatage auquel le diagnostic principal de la consultation est ajouté ou mis à jour. Type d’événement inferred
	Évaluation initiale terminée	Indique la fin de la première évaluation clinique, par exemple le triage ou l’évaluation infirmière, au cours de laquelle les constantes et les principaux motifs de consultation sont consignés. Cet événement est souvent déduit de l’horodatage de la première note clinique signée ou d’un formulaire d’évaluation rempli pour la consultation.
Pourquoi c’est important Cette étape marque le début des soins cliniques. La durée entre l’enregistrement à l’arrivée et cette activité constitue un indicateur important du temps d’attente initial du patient et de la réactivité des ressources. Où les obtenir L’événement est déduit de l’horodatage de création ou de signature de documents cliniques ou de feuilles de suivi dans athenaClinicals. Il faut identifier les types de documents correspondant au triage ou à l’admission. Collecte Identifiez le premier horodatage d’une note clinique, d’une feuille de suivi des constantes ou d’un formulaire d’admission spécifique à la consultation. Type d’événement inferred
	Ordre de sortie rédigé	Un médecin ou un professionnel habilité rédige un ordre officiel de sortie du patient. Il s’agit d’un événement explicite et horodaté, créé dans le module CPOE du DSE.
Pourquoi c’est important Cette activité lance le processus de sortie. Le délai entre cet ordre et la sortie effective constitue un indicateur clé du « délai de planification de sortie ». Où les obtenir L’événement se trouve dans la table des prescriptions. Il est identifié par un type de prescription « Discharge » spécifique et par son horodatage de création. Collecte Un nouvel enregistrement dont le type de prescription est « Discharge » est créé dans la table des prescriptions. Type d’événement explicit
	Patient enregistré à l’arrivée	Cette activité indique l’arrivée du patient et son enregistrement officiel pour le rendez-vous ou la visite planifiée. Elle est généralement enregistrée comme un changement de statut explicite dans le dossier du rendez-vous, au sein d’athenaClinicals ou d’athenaCommunicator.
Pourquoi c’est important Il s’agit du début officiel du parcours du patient sur site. Ce point sert de référence pour mesurer les temps d’attente et le temps de cycle global d’une prise en charge clinique. Où les obtenir L’événement est enregistré comme une mise à jour du statut dans les tables de rendez-vous ou de consultations. Recherchez le statut « Checked-In » et l’horodatage correspondant. Collecte Un changement de statut de l’objet rendez-vous ou consultation est enregistré avec un horodatage. Type d’événement explicit
	Patient sorti	Le patient est officiellement sorti et la partie de son parcours réalisée dans l’établissement est terminée. Il s’agit du dernier événement ADT d’une consultation hospitalière, enregistré avec un horodatage précis.
Pourquoi c’est important Cet événement marque la fin du parcours principal du patient. Il constitue le point final de la mesure du « temps de cycle du parcours patient » et est indispensable à l’analyse des réadmissions. Où les obtenir Il s’agit d’un événement explicite du système ADT ou de la table des consultations, qui indique le statut final « Discharged » de la consultation avec un horodatage. Collecte Le statut de la consultation du patient est mis à jour sur « Discharged » et un événement ADT est enregistré. Type d’événement explicit
	Procédure réalisée	Une procédure clinique, telle qu’une intervention chirurgicale ou une thérapie spécialisée, est réalisée sur le patient. Il s’agit d’un événement explicite enregistré dans la documentation clinique, souvent avec les heures précises de début et de fin dans une note de procédure.
Pourquoi c’est important Les procédures constituent des étapes importantes du traitement d’un patient. L’analyse des activités qui précèdent et suivent une procédure aide à optimiser les flux de travail préopératoires et postopératoires. Où les obtenir L’événement se trouve dans les notes de procédure ou dans des feuilles de suivi cliniques spécifiques d’athenaClinicals. Son horodatage est établi à partir de l’heure de début ou de fin documentée de la procédure. Collecte Une note ou un journal de procédure est créé et contient un horodatage indiquant le moment où la procédure a eu lieu. Type d’événement explicit
	Résultats d’examen reçus	Les résultats d’un examen diagnostique sont finalisés et mis à disposition dans le dossier du patient. Cet événement est généralement enregistré lorsque le système de laboratoire ou d’imagerie transmet les résultats à athenahealth, ce qui crée une entrée horodatée.
Pourquoi c’est important La réception des résultats déclenche des décisions cliniques importantes, notamment le diagnostic et la planification du traitement. Cet événement constitue le point final de la mesure des délais de restitution des examens diagnostiques. Où les obtenir L’événement se trouve dans la table des résultats ou des diagnostics, liée à la prescription initiale. Il est marqué par l’horodatage auquel le résultat a été classé ou reçu dans le dossier du patient. Collecte Un nouvel enregistrement de résultat est créé avec un horodatage, souvent via une interface provenant d’un LIS ou d’un RIS. Type d’événement explicit
	Demande de remboursement soumise	Une demande de remboursement correspondant aux services fournis pendant la consultation du patient est générée et transmise au payeur. Il s’agit d’un événement explicite du module de gestion du cycle de revenus athenaCollector.
Pourquoi c’est important Bien qu’administrative, cette activité est essentielle pour analyser le processus du cycle de revenus, qui se déroule en parallèle du parcours clinique. Elle aide à repérer les retards entre les soins et la facturation. Où les obtenir L’événement se trouve dans les tables des demandes de remboursement ou de facturation. Il est marqué par un horodatage de création ou de soumission de la demande. Collecte Un enregistrement de demande de remboursement est créé et son statut est mis à jour sur « Submitted » avec un horodatage. Type d’événement explicit
	Examen diagnostique prescrit	Un professionnel de santé prescrit un examen diagnostique, tel qu’une analyse de laboratoire, un examen d’imagerie ou une autre procédure. Il s’agit d’un événement explicite et horodaté, créé via la fonctionnalité CPOE (Computerized Provider Order Entry) d’athenaClinicals.
Pourquoi c’est important Il s’agit d’un point de décision essentiel qui lance un sous-processus diagnostique. Le suivi de cette activité est indispensable pour analyser le KPI « délai de réalisation de l’examen diagnostique », de la prescription au résultat. Où les obtenir L’événement se trouve dans la table des prescriptions. Chaque prescription comporte un identifiant patient, un nom, un statut et un horodatage de création. Collecte Un nouvel enregistrement est créé avec un horodatage dans la table des prescriptions du système. Type d’événement explicit
	Médicament administré	Un médicament est administré physiquement au patient par le personnel clinique. L’administration est enregistrée explicitement dans le module Medication Administration Record (MAR) d’athenaClinicals, avec un horodatage précis pour chaque dose.
Pourquoi c’est important Cette activité correspond à une intervention thérapeutique directe. L’analyse de son horaire permet de mesurer le « délai avant le premier traitement » et de vérifier le respect des calendriers d’administration. Où les obtenir L’événement se trouve dans les tables de données MAR. Chaque administration comporte un identifiant patient, un identifiant de médicament, la dose et l’horodatage de l’administration. Collecte Un enregistrement horodaté est créé dans le MAR chaque fois qu’un médicament est documenté comme ayant été administré. Type d’événement explicit
	Patient transféré	Le patient est déplacé d’une unité de soins ou d’un service vers un autre, par exemple du service des urgences vers une unité d’hospitalisation. Ce transfert est enregistré explicitement au moyen d’un événement ADT (Admission, Discharge, Transfer) dans le DSE.
Pourquoi c’est important Cette activité est essentielle pour analyser les transmissions entre services et le parcours des patients dans un établissement. Elle aide à repérer les goulots d’étranglement du « Patient Handoff Time » et les problèmes d’affectation des ressources. Où les obtenir L’événement est enregistré dans le journal des événements ADT ou dans les tables de suivi des patients. Chaque transfert comporte le patient, les lieux de départ et d’arrivée, ainsi qu’un horodatage. Collecte Un message ADT ou une entrée dans le journal d’événements est généré avec un horodatage lors du transfert du patient. Type d’événement explicit
	Plan de traitement élaboré	Cet événement correspond à la création et à la documentation officielles du plan de traitement d’un patient par un clinicien. Il peut être enregistré lors de la création ou de la signature d’un document « Plan of Care » spécifique, ou d’un ensemble de prescriptions de traitement associées.
Pourquoi c’est important Cette activité formalise le parcours clinique prévu. Elle constitue un point de référence important pour mesurer la conformité aux protocoles standard et analyser les variations dans les soins. Où les obtenir L’événement se trouve probablement dans les tables des documents cliniques ou des prescriptions. Il correspond à l’horodatage d’une note de plan de soins signée ou à la soumission d’un ensemble coordonné de prescriptions de traitement. Collecte L’événement correspond à l’horodatage de création ou de finalisation d’un document de plan de traitement ou d’un ensemble de prescriptions spécifique. Type d’événement explicit
	Prélèvement effectué	Cet événement correspond au prélèvement d’un échantillon biologique, tel que du sang ou de l’urine, en vue d’une analyse de laboratoire. Il est généralement enregistré explicitement dans le module de laboratoire ou sous la forme d’une mise à jour du statut de la prescription.
Pourquoi c’est important Il s’agit d’une étape importante du processus d’examens diagnostiques. Le délai entre la prescription, le prélèvement et la disponibilité des résultats peut révéler des goulots d’étranglement importants dans les flux de travail des laboratoires. Où les obtenir L’événement peut apparaître comme un changement de statut de la prescription de laboratoire ou comme un événement distinct dans un système d’information de laboratoire interfacé avec athenahealth. Recherchez le statut « Collected » et son horodatage. Collecte L’événement est enregistré comme une mise à jour du statut de la prescription de laboratoire ou dans un module dédié au suivi des échantillons. Type d’événement explicit
	Rendez-vous de suivi planifié	Un rendez-vous de suivi est planifié pour le patient après son traitement principal ou sa sortie. Cet événement est enregistré explicitement lorsqu’un nouveau rendez-vous est créé dans le module de planification athenaCommunicator.
Pourquoi c’est important Cette activité est essentielle pour comprendre la coordination des soins après la sortie et son impact sur des résultats tels que les taux de réadmission. Elle témoigne de la continuité des soins. Où les obtenir L’événement est enregistré dans la table des rendez-vous. Il est identifié par l’horodatage de création d’un rendez-vous prévu après la date de sortie. Collecte Un nouvel enregistrement de rendez-vous est créé dans le système de planification. Type d’événement explicit
	Rendez-vous planifié	Cet événement correspond à la prise de rendez-vous d’un patient. Il est enregistré explicitement lorsqu’un utilisateur crée et confirme un nouveau rendez-vous dans le module de planification athenaCommunicator d’athenahealth.
Pourquoi c’est important Cette activité constitue le point de départ de nombreux parcours patients. L’analyse du délai entre la planification et l’enregistrement à l’arrivée permet d’évaluer l’accès aux soins et l’efficacité de la préparation de la visite. Où les obtenir Il s’agit d’un événement explicite enregistré dans les tables de rendez-vous ou de planification. Il est généralement associé à un horodatage de création et à un identifiant patient. Collecte L’événement est enregistré lors de la création d’un rendez-vous dans le module de planification. Type d’événement explicit

Recommandé Facultatif

Guides d’extraction

Comment récupérer vos données depuis athenahealth

Étapes

Connectez-vous au portail athenaNet à l’aide de vos identifiants sécurisés.
Accédez au module Reports depuis le menu principal, généralement sous « Reports » > « Report Builder » ou « Custom Reports ».
Cliquez sur « Create New Report », puis sélectionnez « Encounters » ou « Patient Visit » comme catégorie principale du rapport. Les données détaillées seront ainsi centrées sur l’épisode patient concerné.
Dans la zone de sélection « Columns » ou « Fields », recherchez et ajoutez l’identifiant du patient (Patient ID) ainsi que l’identifiant de la rencontre (Encounter ID), qui serviront d’identifiant de cas.
Ajoutez les colonnes démographiques et contextuelles nécessaires aux attributs, telles que Department, Provider Name, Patient Age et Primary Diagnosis Code.
Ajoutez les colonnes d’horodatage correspondant aux activités. Vous devrez peut-être consulter différents groupes de champs, par exemple « Scheduling » pour Appointment Scheduled, « Check-in » pour Check-in Time et « Billing » pour Claim Submitted. Lorsque cette option est disponible, sélectionnez le format « Date and Time », et non « Date » uniquement.
Appliquez des filtres à la configuration du rapport. Définissez la plage « Encounter Date » correspondant à votre période d’analyse, par exemple les six derniers mois, puis excluez les rendez-vous « Cancelled » ou « No Show » afin de vous concentrer sur les parcours terminés.
Cliquez sur « Run Report » pour prévisualiser les données. Vérifiez que les colonnes contiennent des données et qu’elles ne sont pas entièrement nulles.
Sélectionnez l’option « Export », puis choisissez « CSV » (Comma Separated Values) comme format. N’utilisez pas les fonctionnalités de mise en forme Excel/XLSX, car elles compliquent le traitement.
Enregistrez le fichier localement sous le nom « athena_raw_export.csv ».
Comme le rapport exporte une ligne par rencontre avec plusieurs colonnes de dates, au format large, vous devez le transformer en journal d’événements au format long. Utilisez le script Python fourni dans la section Query pour effectuer cette transformation.
Exécutez le script afin de générer le fichier final « process_mining_event_log.csv », puis importez ce fichier dans ProcessMind.

Configuration

Catégorie du rapport : choisissez « Encounter Activity » ou « Clinicals » comme catégorie de base afin de recueillir la majorité des étapes du flux de travail clinique.
Période : limitez l’extraction initiale à trois à six mois afin d’éviter les délais d’expiration ou les limites de lignes des rapports, généralement plafonnées à environ 50 000 lignes dans les vues standard.
Sélection des colonnes : vérifiez que les champs d’horodatage explicites sont sélectionnés. Évitez les champs calculés tels que « Days since check-in » et privilégiez « Check-in Date/Time », qui fournit une date et une heure absolues.
Gestion des valeurs NULL : configurez le rapport pour afficher des cellules vides lorsque des données sont manquantes, plutôt qu’un texte personnalisé comme « N/A », afin de faciliter le traitement par script.
Filtrage par service : si l’organisation est importante, filtrez par lieux de service ou services précis, par exemple « Cardiology » ou « Orthopedics », afin de conserver un jeu de données ciblé.
Autorisations : l’utilisateur doit disposer des autorisations « Report Creator » ou « Clinical Reporting » dans athenaNet pour accéder au Custom Report Builder.

a Exemple de requête 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}")

Étapes

Enregistrer l’application API : connectez-vous au portail développeur athenahealth et enregistrez une nouvelle application afin d’obtenir votre Client ID et votre Client Secret. Vérifiez que l’application dispose des scopes nécessaires pour Appointments, Clinicals (Charts), Orders et Billing (Claims).
Configurer l’environnement Python : installez les bibliothèques Python requises, requests et pandas, dans votre environnement d’exécution à l’aide de la commande pip install requests pandas.
S’authentifier : implémentez le flux OAuth 2.0 Client Credentials afin de récupérer un jeton d’accès. Ce jeton doit être inclus dans l’en-tête Authorization, sous la forme d’un Bearer token, pour tous les appels API suivants.
Définir le périmètre : indiquez le Practice ID et la plage de dates de l’extraction. Les API Athenahealth sont propres à chaque cabinet ou établissement. Vous devez donc parcourir les Practice ID si vous en gérez plusieurs.
Extraire les rendez-vous : interrogez le point de terminaison /appointments/booked ou /appointments/changed pour récupérer les rencontres de base. Associez l’identifiant du rendez-vous à PatientEpisodeId. Extrayez « Appointment Scheduled » à partir de la date de création et « Patient Checked In » à partir de l’heure d’enregistrement.
Parcourir les rencontres pour extraire les événements cliniques : pour chaque identifiant de rendez-vous ou de rencontre, interrogez les sous-points de terminaison cliniques. Appelez /chart/{encounterId}/vitals pour « Initial Assessment Completed ». Appelez /chart/{encounterId}/orders pour « Diagnostic Test Ordered », « Specimen Collected » selon le statut, et « Discharge Order Written ».
Récupérer les résultats et les diagnostics : interrogez /chart/{encounterId}/analyteresults ou /chart/{encounterId}/labresults pour « Test Results Received ». Interrogez /chart/{encounterId}/diagnoses pour « Diagnosis Confirmed ».
Extraire les traitements et les procédures : interrogez /chart/{encounterId}/plan pour « Treatment Plan Developed ». Interrogez /chart/{encounterId}/procedures pour « Procedure Performed ». Interrogez /chart/{encounterId}/medications/admin pour « Medication Administered ».
Identifier les événements ADT et les demandes de remboursement : utilisez l’historique des statuts du rendez-vous ou les points de terminaison hospitaliers disponibles pour capturer « Patient Transferred » et « Patient Discharged ». Interrogez /claims associé au rendez-vous afin d’extraire « Claim Submitted ».
Associer les suivis : identifiez « Follow-Up Appointment Scheduled » en recherchant les rendez-vous ultérieurs créés pour le même identifiant patient pendant la période de la rencontre.
Transformer et aplatir les données : analysez les réponses JSON imbriquées pour obtenir une liste plate de dictionnaires d’événements. Convertissez tous les horodatages au format ISO 8601. Associez les champs à ActivityName, PatientEpisodeId et EventTimestamp.
Exporter les données : chargez la liste de dictionnaires dans un DataFrame pandas, effectuez le nettoyage final, notamment la gestion des valeurs nulles, puis exportez un fichier CSV prêt à être importé dans ProcessMind.

Configuration

Identifiants API : un Client ID et un Client Secret valides du portail développeur athenahealth sont requis, avec un accès à la production.
Practice ID : identifiant numérique unique du cabinet ou de l’établissement médical concerné. Le script doit être exécuté pour chaque cabinet si l’extraction porte sur un réseau.
Plage de dates : la période d’extraction recommandée est de 3 à 6 mois, compte tenu du volume de données cliniques détaillées.
Limitation du débit : l’API athenaOne applique des limites strictes, par exemple 5 appels par seconde. Le script inclut une fonction sleep, mais les extractions à l’échelle de l’entreprise doivent prévoir un mécanisme de temporisation exponentielle.
Scopes : vérifiez que le jeton dispose des scopes athena/service/Athenanet.MDP.* ou de scopes détaillés spécifiques pour les rendez-vous, les dossiers cliniques et les données financières.
Pagination : la plupart des points de terminaison renvoient un nombre limité d’enregistrements, généralement 1 000 par défaut. Le script doit gérer les paramètres next ou offset.
Filtrage par service : si vous analysez des parcours précis, par exemple les urgences par rapport aux consultations externes, filtrez par identifiant de service lors de la récupération des rendez-vous.

a Exemple de requête 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()

Prêt à commencer ?

Commencez votre démarche vers une prise en charge optimisée des patients. Ce modèle constitue votre première étape pour obtenir des analyses utiles et améliorer les résultats des soins.

Retour au guide d’amélioration Télécharger le modèle

Optimisez dès maintenant le parcours de vos patients et éliminez les goulots d’étranglement

Identifiez les inefficacités dans athenahealth et réduisez de 30 % la durée du cycle du parcours patient.

Démarrer l’essai gratuit

Aucune carte bancaire requise. Commencez à optimiser dès aujourd’hui.

Votre modèle de données du parcours patient

Votre modèle de données du parcours patient

Attributs du parcours du patient

Activités du parcours du patient

Guides d’extraction

Export CSV personnalisé avec athenaNet Report Builder

Étapes

Configuration

a Exemple de requête python

Extraction d’événements via l’API athenaOne avec Python

Étapes

Configuration

a Exemple de requête python

Prêt à commencer ?

Optimisez dès maintenant le parcours de vos patients et éliminez les goulots d’étranglement

Votre modèle de données du parcours patient

Votre modèle de données du parcours patient

Attributs du parcours du patient

Activités du parcours du patient

Guides d’extraction

Export CSV personnalisé avec athenaNet Report Builder

Étapes

Configuration

a Exemple de requête python

Extraction d’événements via l’API athenaOne avec Python

Étapes

Configuration

a Exemple de requête python

Prêt à commencer ?

Optimisez dès maintenant le parcours de vos patients et éliminez les goulots d’étranglement

Nous attachons de l’importance à votre confidentialité