> Folyamatos folyamatfejlesztés > Betegút > athenahealth > Adatsablon

Betegellátási folyamatának adatsablonja

athenahealth

← Vissza a folyamatfejlesztési útmutatóhoz

A betegellátási folyamat attribútumai(19) A betegellátási folyamat tevékenységei(15) Útmutatók az adatok kinyeréséhez(2)

Betegellátási folyamatának adatsablonja

Ez a sablon útmutatást ad a betegellátási folyamat elemzéséhez szükséges adatok összegyűjtéséhez. Bemutatja a követendő attribútumokat és tevékenységeket, valamint azt is, hogyan nyerheti ki ezeket az adatokat az athenahealth rendszerből. Használja a sablont, hogy adatai készen álljanak a process mining elemzésre.

Javasolt attribútumok
Követendő fő tevékenységek
Útmutató az adatok kinyeréséhez az athenahealth rendszerből

Most ismerkedik az eseménynaplókkal? Tudja meg, hogyan készíthet process mining eseménynaplót.

Sablon letöltése

A betegellátási folyamat attribútumai

Ezeket az adatmezőket javasoljuk felvenni az eseménynaplóba. Segítségükkel részletesen elemezheti és megértheti a betegellátási folyamatokat.

5 Kötelező 9 Javasolt 5 Nem kötelező

	Név	Leírás
	Betegellátási epizód PatientEpisodeId	Az adott betegellátási epizód vagy betegút egyedi azonosítója.
Leírás Ez az attribútum a központi esetazonosítóként összefogja a beteg egy adott ellátási időszakához vagy állapotához kapcsolódó összes tevékenységet. Egyetlen, összefüggő betegúttá kapcsolja össze az olyan különálló eseményeket, mint az időpontok, a diagnosztikai vizsgálatok elrendelése és az elbocsátás. Az elemzésben ez az azonosító a process mining elsődleges kulcsa, amely lehetővé teszi a teljes folyamat rekonstruálását. Segítségével ugyanazon beteg különböző állapotok miatti ellátásai külön folyamatpéldányként kezelhetők. Miért fontos? Az elemzésben szereplő egyetlen folyamatpéldány határainak meghatározásához szükséges. Hol szerezhető be? Az Encounter ID-k csoportosításával származtatható, vagy az athenahealth rendszerben egy adott Episode of Care ID-hez kapcsolható. Példák EP-2023-88491EP-2023-99102ENC-55412-GRP
	Esemény időbélyege EventTimestamp	A tevékenység pontos dátuma és időpontja.
Leírás Rögzíti a tevékenység pontos időpontját. Az események időrendi sorrendbe állítására és a lépések közötti időtartam kiszámítására szolgál. Az időalapú elemzéshez, például az átfutási és várakozási idők, valamint az áteresztőképesség vizsgálatához elengedhetetlen. A nagy pontosság segít meghatározni az azonos napon történt események sorrendjét. Miért fontos? Az események sorrendbe állításához és minden időalapú KPI kiszámításához szükséges. Hol szerezhető be? Az athenahealth tábláiban az állapotváltozásokhoz vagy a létrehozási dátumokhoz tartozó időbélyegmezők. Példák 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Forrásrendszer SourceSystem	Annak a rendszernek a neve, ahonnan az adatok származnak.
Leírás Azonosítja a rekordot létrehozó informatikai rendszert, ebben az esetben az „athenahealth” rendszert. Különösen hasznos több rendszerből álló környezetben, ahol az adatok összekapcsolhatók. Lehetővé teszi, hogy az elemzők adatforrás szerint szűrjék a nézetet, és feltárják az egyes rendszerekhez köthető adatminőségi problémákat. Miért fontos? Több rendszerből származó adatok process mining elemzésekor megmutatja az adatok eredetét és kontextusát. Hol szerezhető be? Rögzített érték vagy rendszerkonfigurációs azonosító. Példák athenahealthAthenaOneAthenaPractice
	Tevékenység neve ActivityName	A betegút során végrehajtott esemény vagy feladat neve.
Leírás A folyamat adott lépését jelöli, például „Beteg bejelentkezett”, „Diagnosztikai vizsgálat elrendelve” vagy „Gyógyszer beadva”. Ez a szöveg határozza meg a folyamattérkép csomópontjait. A folyamat ábrázolására és a műveletek sorrendjének feltárására szolgál. Az egységes elnevezések elengedhetetlenek ahhoz, hogy a folyamattérkép áttekinthető és jól olvasható legyen. Miért fontos? Meghatározza a folyamattérkép lépéseit, és minden process mining elemzéshez szükséges. Hol szerezhető be? Auditnaplókból, az időpontok állapotváltozásaiból vagy a követeléstételek leírásaiból származtatható. Példák Időpont lefoglalvaA beteg bejelentkezettDiagnosztikai vizsgálat elrendelveA beteget elbocsátották
	Utolsó adatfrissítés LastDataUpdate	Az időbélyeg, amely megmutatja, mikor történt az adatok legutóbbi kinyerése vagy frissítése.
Leírás Megmutatja, mennyire frissek az elemzéshez használt adatok. Így a felhasználók láthatják, hogy valós idejű adatokat vagy egy korábbi állapotot vizsgálnak. Az adatfolyamatok felügyeletére szolgál, és segít biztosítani, hogy a dashboardok a folyamat aktuális állapotát mutassák. Miért fontos? Az adatirányítás és a dashboard adatainak naprakészségébe vetett bizalom szempontjából fontos. Hol szerezhető be? A rendszeridő az ETL-folyamat futtatásának pillanatában. Példák 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Beteg korcsoportja PatientAgeGroup	A beteg életkor szerinti csoportja, például 18–25 vagy 65 év felett.
Leírás Demográfiai csoportokba sorolja a betegeket. Erre közvetlenül szükség van a „Betegutak összehasonlítása korcsoport és diagnózis szerint” dashboardhoz. Segít feltárni, hogy a folyamat hiányosságai vagy az ellátás eredményei aránytalanul érintenek-e bizonyos korcsoportokat, például az időseket vagy a gyermekeket. Miért fontos? Az egészségügyi folyamatok elemzésében használt általános demográfiai csoportosítás. Hol szerezhető be? A beteg születési dátumából és a StartTime értékéből származtatható. Példák 18-2930-4965+
	Betegazonosító PatientId	A beteg egyedi, anonimizált vagy hash-elt azonosítója.
Leírás Egyedileg azonosítja a betegutat végigjáró pácienst. Bár hasonlít az esetazonosítóhoz, egy betegnek idővel több ellátási epizódja is lehet. Az ismételt vizitek összekapcsolására és a visszavételi arány elemzésére szolgál. Nélkülözhetetlen a „Nem tervezett visszavételek aránya” KPI kiszámításához. Miért fontos? A visszavételek és a beteg kórtörténetének különböző epizódokon átívelő követéséhez szükséges. Hol szerezhető be? Az athenahealth „patientid” mezője. Példák PAT-100234PAT-559201PAT-992210
	Elbocsátás utáni elhelyezés DischargeDisposition	A beteg elbocsátáskori úti célja vagy állapota.
Leírás Megmutatja, hová került a beteg az ellátási epizód után, például haza, ápolási intézménybe vagy hospice-ellátásba. Ez fontos az „Elbocsátás tervezése és visszavételi trendek” elemzéséhez. Kontextust ad az elbocsátás megtervezésének összetettségéhez, és segít felmérni az ellátási átmenetek hatékonyságát. Miért fontos? Fontos kontextust ad az elbocsátás tervezéséhez és a visszavételi kockázat felméréséhez. Hol szerezhető be? Az athenahealth ellátási mezői vagy a kórházi elbocsátási nyilvántartások. Példák OtthonÁpolási intézményÁthelyezve rövid távú kórházi ellátásraElhunyt
	Ellátás típusa EncounterType	A vizit besorolása, például rendelői vizit, távellátás vagy sürgősségi ellátás.
Leírás Meghatározza az ellátás módját vagy helyszínét. Az általános adatmodellekben ez felel meg az eset típusának. Az egyes ellátástípusok folyamata és számlázási követelményei eltérnek. Az attribútum szerinti szűrés elengedhetetlen ahhoz, hogy az átfutási idők elemzésekor valóban összehasonlítható eseteket vizsgáljon. Miért fontos? Megkülönbözteti a folyamatváltozatokat, például a távellátást és a személyes ellátást. Hol szerezhető be? Az athenahealth „encountertype” mezője. Példák Rendelői vizitTávellátásSürgősségi ellátásMűtét
	Ellátó neve ProviderName	A tevékenységet végző egészségügyi szakember neve.
Leírás Azonosítja az eseményért felelős orvost, ápolót vagy technikust. Ez az attribútum alapvető az erőforrás-kihasználtság elemzéséhez. Lehetővé teszi a teljesítménymutatók, például az áteresztőképesség és az átfutási idő összehasonlítását a munkatársak között, így feltárhatók a képzési igények és a munkaterhelés egyenlőtlenségei. Miért fontos? Az erőforrás-kihasználtsági arány és az átadások elemzéséhez szükséges. Hol szerezhető be? Az athenahealth „providerid” értéke az ellátói címtárban szereplő névhez rendelve. Példák Dr. SmithJones ápolóAdams technikus
	Elsődleges diagnóziskód PrimaryDiagnosisCode	Az epizódhoz tartozó elsődleges ICD-10-kód.
Leírás Besorolja a betegút klinikai okát. Ez adja a „Betegutak összehasonlítása korcsoport és diagnózis szerint” elemzéshez szükséges kontextust. Az elemzők ezzel állapot szerint csoportosíthatják a betegutakat, például tüdőgyulladás vagy törés alapján, mivel az egyes állapotok ellátási menete és várható átfutási ideje jelentősen eltér. Miért fontos? Lehetővé teszi az összehasonlítható esetek vizsgálatát, mivel a diagnózistól függően jelentősen eltérhet az átfutási idő. Hol szerezhető be? Az Encounter vagy a Claim diagnózismezői (ICD-10). Példák J18.9I10E11.9
	Esemény befejezési ideje EventEndTime	Az időpont, amikor az adott tevékenység befejeződött.
Leírás Rögzíti a tevékenység befejezésének időpontját, így kiszámítható az adott lépés aktív időtartama, vagyis a feldolgozási idő, a megelőző várakozási időtől külön kezelve. Az erőforrások hatékonyságának elemzésére és a vártnál hosszabb ideig tartó, kézzel végzett feladatok azonosítására szolgál. Miért fontos? Lehetővé teszi az aktív feldolgozási idő és a passzív várakozási idő külön kiszámítását. Hol szerezhető be? Az athenahealth rendszerben a kijelentkezés, az eredmény ellenőrzése vagy más konkrét befejezési időpont. Példák 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Részleg neve DepartmentName	A kórházi vagy klinikai részleg, ahol a tevékenység történt.
Leírás Funkcionális egység szerint bontja a folyamatadatokat, például sürgősségi, kardiológiai vagy radiológiai részlegre. Ez szükséges a „Részlegek áteresztőképessége és átadásai” dashboardhoz. Az attribútum elemzése feltárja az egyes területek szűk keresztmetszeteit, és segít optimalizálni a betegek részlegek közötti áramlását. Miért fontos? Segít feltárni a szervezeti szűk keresztmetszeteket és az átadások hatékonysági problémáit. Hol szerezhető be? Az athenahealth „departmentid” értéke a részleg nevéhez rendelve. Példák Sürgősségi osztályBelgyógyászatRadiológia
	Visszavétel történt IsReadmission	Jelzi, hogy az epizód nem tervezett visszatérést jelent-e.
Leírás Logikai jelző, amely megmutatja, hogy a beteg egy korábbi elbocsátást követő meghatározott időszakon, például 30 napon belül visszatért-e a kórházba. Közvetlenül támogatja a „Nem tervezett visszavételek aránya” KPI-t. Az attribútum szerinti szűréssel az elemzők feltárhatják a visszavételek kiváltó okait, és mintázatokat kereshetnek a kezdeti ellátási folyamatban. Miért fontos? Közvetlenül támogatja a visszavételi arány KPI-t. Hol szerezhető be? Az ETL-folyamat során, a felvétel dátumának és az előző elbocsátás dátumának összevetésével számítható ki. Példák truefalse
	Diagnosztikai eredmény állapota DiagnosticResultStatus	A diagnosztikai rendelés eredményének állapota, például pozitív vagy normál.
Leírás Rögzíti a vizsgálat fő eredményét. Kontextust ad a „Diagnosztikai vizsgálatok átfutási ideje” elemzéshez és az azt követő kezelési döntésekhez. Segítségével megvizsgálható, hogy a kóros eredmények után gyorsabban történnek-e további intézkedések, mint normál eredmények esetén. Miért fontos? Összekapcsolja a folyamat menetét a klinikai eredményekkel. Hol szerezhető be? Az athenahealth laboreredmény-megfigyelési mezői. Példák NormálKórosKritikus
	Követelés állapota ClaimStatus	Az ellátáshoz kapcsolódó pénzügyi követelés állapota.
Leírás Megmutatja, hol tart a számlázási követelés, például beküldve, elutasítva vagy kifizetve. A „Követelés beküldve” tevékenység és a pénzügyi áteresztőképesség elemzéséhez használható. Segít feltárni, hogy a klinikai dokumentáció hiányosságai okoznak-e késedelmet a pénzügyi folyamatokban. Miért fontos? Összekapcsolja a klinikai folyamat hatékonyságát a bevételi ciklus teljesítményével. Hol szerezhető be? Az athenahealth „claimstatus” mezője. Példák SZÁMLÁZVAVISSZATARTVARÖGZÍTVE
	Rendelés típusa OrderType	A rendelés kategóriája, például laborvizsgálat, képalkotó vizsgálat vagy recept.
Leírás Besorolja az epizód során kiadott klinikai rendeléseket. Ez szükséges a „Diagnosztikai vizsgálatok átfutási ideje” dashboardhoz. Lehetővé teszi, hogy az elemzők külön mérjék a labor- és képalkotó vizsgálatok átfutási idejét, amelyekre gyakran eltérő szolgáltatási szintű megállapodások és szűk keresztmetszetek jellemzők. Miért fontos? A diagnosztikai folyamat szakaszokra bontásával lehetővé teszi az átfutási idők célzott elemzését. Hol szerezhető be? Az athenahealth „ordertype” vagy „class” mezője az orders API-ban. Példák LaborvizsgálatKépalkotó vizsgálatReceptBeavatkozás
	Teljes díjösszeg TotalChargeAmount	A tevékenységért vagy az ellátási epizódért felszámított összeg.
Leírás A tevékenységhez kapcsolódó pénzügyi érték vagy a teljes követelés összege. Lehetővé teszi a költségalapú process mining elemzést és a pénzügyi hatás vizsgálatát. Segít azonosítani a magas költségű kezelési útvonalakat, és összefüggést keresni a folyamat hatékonysága és a pénzügyi eredmények között. Miért fontos? Pénzügyi szemponttal egészíti ki a folyamatelemzést. Hol szerezhető be? Az athenahealth „amount” vagy „totalcharge” mezője a követelési vagy díjtáblákban. Példák 150.002500.5045.00
	Újramunka történt IsRework	Jelzi, hogy a tevékenység ismétlődött-e.
Leírás Logikai jelző, amely akkor igaz, ha a tevékenység ugyanazon az eseten belül többször is előfordult. Ez támogatja a „Tevékenységek gyakorisága és újramunka-hurkok” dashboardot. Segítségével azonnal elkülöníthetők az újramunkát tartalmazó esetek, ami megkönnyíti az „Újramunkával járó tevékenységek gyakorisága” KPI kiszámítását. Miért fontos? Feltárja a folyamat hatékonysági problémáit és a felesleges lépéseket. Hol szerezhető be? Az ETL-folyamat során, az esetenkénti tevékenység-előfordulások alapján számítható ki. Példák truefalse

Kötelező Javasolt Nem kötelező

A betegellátási folyamat tevékenységei

Ezeket a folyamatlépéseket és mérföldköveket érdemes rögzíteni az eseménynaplóban, hogy pontosan feltárhassa és fejleszthesse a betegellátás menetét.

7 Javasolt 8 Nem kötelező

	Tevékenység	Leírás
	A beavatkozás megtörtént	A betegen klinikai beavatkozást, például műtétet vagy speciális terápiát végeznek. Ezt a klinikai dokumentációban kifejezett eseményként rögzítik, gyakran a beavatkozási feljegyzésben szereplő kezdési és befejezési időponttal.
Miért fontos? A beavatkozások fontos mérföldkövek a beteg kezelésében. Az előttük és utánuk végzett tevékenységek elemzése segít hatékonyabbá tenni a műtét előtti és utáni munkafolyamatokat. Hol szerezhető be? Az athenaClinicals rendszerben a beavatkozási feljegyzésekben vagy a klinikai adatlapokon található. Az esemény időbélyege a dokumentált kezdési vagy befejezési időből származik. Rögzítés Létrejön egy beavatkozási feljegyzés vagy naplóbejegyzés, amely rögzíti a beavatkozás időpontját. Eseménytípus explicit
	A beteg bejelentkezett	Ez a tevékenység jelzi, hogy a beteg megérkezett, és hivatalosan bejelentkezett a lefoglalt időpontra vagy vizsgálatra. Az athenaClinicals vagy az athenaCommunicator rendszerben ezt általában az időpontrekord állapotának kifejezett módosítása rögzíti.
Miért fontos? Ez jelöli a beteg helyszíni ellátásának tényleges kezdetét. Fontos kiindulópont a várakozási idő és a klinikai ellátás teljes időtartamának méréséhez. Hol szerezhető be? Az időpont- vagy vizsgálati táblában rögzített állapotfrissítésként jelenik meg. Keresse a „Checked-In” állapotot és a hozzá tartozó időbélyeget. Rögzítés Az időpont vagy a vizsgálat állapotának módosítása időbélyeggel együtt kerül rögzítésre. Eseménytípus explicit
	A beteget elbocsátották	A beteget hivatalosan elbocsátották, így véget ért az intézményben töltött időszak. Ez a fekvőbeteg-ellátás utolsó ADT-eseménye, pontos időbélyeggel rögzítve.
Miért fontos? Ez az esemény jelöli a betegút fő szakaszának végét. A teljes betegút időtartamának méréséhez és az ismételt felvételek elemzéséhez is elengedhetetlen. Hol szerezhető be? Ez az ADT-rendszerben vagy a beteg vizsgálati táblájában rögzített, kifejezett esemény. A vizsgálat végső állapotát „Discharged” értékre állítja, és időbélyeggel látja el. Rögzítés A beteg vizsgálatának állapota „Discharged” értékre változik, és a rendszer ADT-eseményt rögzít. Eseménytípus explicit
	A diagnózis megerősítve	A klinikus hivatalosan megállapítja vagy megerősíti a beteg aktuális vizsgálatához kapcsolódó diagnózist. Ez a beteg vizsgálatához rendelt elsődleges diagnóziskód, például az ICD-10-kód létrehozási vagy utolsó módosítási időbélyegéből következtethető ki.
Miért fontos? Ez a meghatározó mérföldkő jelöli ki a további kezelési útvonalat. Az ezt követő tevékenységek eltéréseinek elemzése segít megérteni és egységesíteni az ellátási protokollokat. Hol szerezhető be? A beteg problémalistájából vagy a vizsgálathoz tartozó diagnosztikai adatokból következtethető ki. A diagnóziskód módosítása vagy véglegesítése, valamint a hozzá tartozó időbélyeg jelzi az eseményt. Rögzítés Keresse meg azt az időbélyeget, amikor a vizsgálathoz tartozó elsődleges diagnózist rögzítették vagy módosították. Eseménytípus inferred
	A vizsgálati eredmény megérkezett	A diagnosztikai vizsgálat eredménye véglegessé válik, és elérhető lesz a beteg dokumentációjában. Ezt általában akkor rögzítik, amikor a laboratóriumi vagy képalkotó rendszer visszaküldi az eredményt az athenahealth rendszerbe, ahol időbélyeggel ellátott bejegyzés jön létre.
Miért fontos? Az eredmény megérkezése fontos feltétele a további klinikai döntéseknek, például a diagnózis felállításának és a kezelés megtervezésének. Ez az esemény jelöli a diagnosztikai átfutási idő mérésének végét. Hol szerezhető be? Az eredmények vagy diagnosztikai adatok táblájában található, az eredeti rendeléshez kapcsolva. Az esemény időbélyege azt mutatja, mikor rögzítették vagy fogadták az eredményt a beteg dokumentációjában. Rögzítés Új, időbélyeggel ellátott eredményrekord jön létre, gyakran LIS- vagy RIS-rendszerből érkező adatok alapján. Eseménytípus explicit
	Az elbocsátási rendelést kiállították	Az orvos vagy más erre jogosult egészségügyi szolgáltató hivatalos rendelést ad ki a beteg elbocsátására. Ez az EHR CPOE moduljában létrehozott, kifejezett, időbélyeggel ellátott esemény.
Miért fontos? Ez a tevékenység indítja el az elbocsátási folyamatot. A rendelés kiadása és a tényleges elbocsátás közötti idő az elbocsátás tervezési idejének fontos teljesítménymutatója. Hol szerezhető be? A rendelések táblájában található. Az eseményt a „Discharge” rendeléstípus és annak létrehozási időbélyege azonosítja. Rögzítés A rendelések táblájában új rekord jön létre „Discharge” rendeléstípussal. Eseménytípus explicit
	Az első állapotfelmérés befejeződött	Az első klinikai értékelés, például a triázs vagy az ápolói állapotfelmérés befejezését jelöli. Ennek során rögzítik az életjeleket és a fő panaszokat. Az esemény gyakran a vizsgálathoz tartozó első aláírt klinikai feljegyzés vagy kitöltött állapotfelmérő űrlap időbélyegéből következtethető ki.
Miért fontos? Ez a mérföldkő jelzi a klinikai ellátás kezdetét. A bejelentkezés és e tevékenység közötti idő az első várakozási idő és az erőforrások rendelkezésre állásának fontos mérőszáma. Hol szerezhető be? Az athenaClinicals rendszerben található klinikai dokumentumok vagy adatlapok létrehozási, illetve aláírási időbélyegéből következtethető ki. Ehhez azonosítani kell a triázshoz vagy felvételhez kapcsolódó dokumentumtípusokat. Rögzítés Keresse meg a vizsgálathoz tartozó klinikai feljegyzés, életjel-adatlap vagy felvételi űrlap első időbélyegét. Eseménytípus inferred
	A beteget áthelyezték	A beteget egyik ellátási egységből vagy osztályról egy másikra helyezik át, például a sürgősségi osztályról egy fekvőbeteg-osztályra. Az EHR rendszerben ezt kifejezetten az Admission, Discharge, Transfer (ADT) esemény rögzíti.
Miért fontos? Ez a tevékenység fontos az osztályok közötti átadások és az intézményen belüli betegáramlás elemzéséhez. Segít feltárni a betegátadás idejének szűk keresztmetszeteit és az erőforrások elosztásának problémáit. Hol szerezhető be? Az ADT eseménynaplóban vagy a betegkövetési táblákban kerül rögzítésre. Minden áthelyezési esemény tartalmazza a beteget, az indulási és célhelyszínt, valamint az időbélyeget. Rögzítés A beteg áthelyezésekor időbélyeggel ellátott ADT-üzenet vagy eseménynapló-bejegyzés jön létre. Eseménytípus explicit
	A biztosítási igényt benyújtották	A betegellátás során nyújtott szolgáltatásokra vonatkozó biztosítási igényt összeállítják, majd benyújtják a finanszírozónak. Ez az athenaCollector bevételciklus-kezelő moduljában rögzített, kifejezett esemény.
Miért fontos? Bár adminisztratív lépés, ez a tevékenység fontos a klinikai ellátással párhuzamosan zajló bevételi ciklus elemzéséhez. Segít feltárni a klinikai ellátás és a számlázás közötti késedelmeket. Hol szerezhető be? A követelések vagy számlázási táblákban található. Az eseményt a követelés létrehozásának vagy beküldésének időbélyege jelöli. Rögzítés Létrejön a követelés rekordja, állapota pedig időbélyeggel együtt „Submitted” értékre változik. Eseménytípus explicit
	A gyógyszert beadták	Az egészségügyi személyzet ténylegesen beadja a gyógyszert a betegnek. Az athenaClinicals Medication Administration Record (MAR) modulja minden adag beadását pontos időbélyeggel rögzíti.
Miért fontos? Ez a tevékenység közvetlen kezelési beavatkozást jelöl. Időpontjának elemzése segít mérni az első kezelésig eltelt időt, és ellenőrizni a gyógyszerelési rend betartását. Hol szerezhető be? A MAR adattábláiban található. Minden gyógyszerbeadási eseményhez betegazonosító, gyógyszerazonosító, adag és beadási időbélyeg tartozik. Rögzítés A MAR modulban minden dokumentált gyógyszerbeadáskor időbélyeggel ellátott rekord jön létre. Eseménytípus explicit
	A kezelési terv elkészült	A klinikus hivatalosan elkészíti és dokumentálja a beteg kezelési tervét. Ez egy meghatározott „Plan of Care” dokumentum létrehozásaként vagy aláírásaként, illetve kapcsolódó kezelési rendelések rögzítéseként jelenhet meg.
Miért fontos? Ez a tevékenység rögzíti a tervezett klinikai ellátási útvonalat. Fontos mérési pont az előírt protokollok betartásának és az ellátás eltéréseinek elemzéséhez. Hol szerezhető be? Valószínűleg a klinikai dokumentumok vagy a rendelések táblájában található. Az esemény időbélyege egy aláírt ellátási tervhez tartozó feljegyzés vagy összehangolt kezelési rendelések beküldésének időpontja. Rögzítés Az esemény időpontja egy adott kezelési tervdokumentum vagy rendeléscsoport létrehozásának, illetve véglegesítésének időbélyege. Eseménytípus explicit
	Diagnosztikai vizsgálat elrendelve	Az egészségügyi szolgáltató diagnosztikai vizsgálatot rendel el, például laborvizsgálatot, képalkotó vizsgálatot vagy más eljárást. Ez az athenaClinicals CPOE (Computerized Provider Order Entry) funkciójával létrehozott, kifejezett, időbélyeggel ellátott esemény.
Miért fontos? Ez a fontos döntési pont indítja el a diagnosztikai részfolyamatot. A tevékenység nyomon követése elengedhetetlen a vizsgálat elrendelésétől az eredményig tartó időt mérő KPI elemzéséhez. Hol szerezhető be? A rendelések táblában található. Minden rendeléshez betegazonosító, a rendelés neve és állapota, valamint létrehozási időbélyeg tartozik. Rögzítés A rendszer rendelések táblájában új, időbélyeggel ellátott rekord jön létre. Eseménytípus explicit
	Időpont lefoglalva	A beteg számára lefoglalt időpontot jelöli. Az esemény akkor kerül rögzítésre, amikor egy felhasználó új időpontot hoz létre és erősít meg az athenahealth athenaCommunicator időpontkezelő moduljában.
Miért fontos? Ez a tevékenység sok betegút első lépése. Az időpontfoglalás és a bejelentkezés közötti idő elemzése segít felmérni, mennyire könnyen jutnak hozzá a betegek az ellátáshoz, és mennyire hatékony a látogatás előkészítése. Hol szerezhető be? Ez az időpont- vagy időpontkezelési táblákban rögzített, kifejezett esemény. Általában a létrehozás időbélyege és a betegazonosító tartozik hozzá. Rögzítés Az esemény az időpontkezelő modulban létrehozott időpontrekordhoz kapcsolódóan kerül rögzítésre. Eseménytípus explicit
	Mintavétel megtörtént	Azt az eseményt jelöli, amikor laborvizsgálathoz biológiai mintát, például vért vagy vizeletet vesznek a betegtől. Ezt általában a laboratóriumi modulban rögzítik, vagy a rendelés állapotának frissítéseként jelenik meg.
Miért fontos? Ez a diagnosztikai vizsgálat fontos mérföldköve. A rendelés, a mintavétel és az eredmény közötti idő megmutathatja, hol vannak jelentős szűk keresztmetszetek a laboratóriumi munkafolyamatokban. Hol szerezhető be? Az esemény a laborvizsgálati rendelés állapotváltozásaként vagy az athenahealth rendszerhez kapcsolódó laboratóriumi információs rendszer külön eseményeként található meg. Keresse a „Collected” állapotot és az időbélyeget. Rögzítés A laborvizsgálati rendelés állapotának frissítéseként vagy külön mintakövető modulban kerül rögzítésre. Eseménytípus explicit
	Utókövetési időpont lefoglalva	A beteg fő kezelése vagy elbocsátása után utókövetési időpontot foglalnak. Az esemény akkor kerül rögzítésre, amikor az athenaCommunicator időpontkezelő moduljában új időpontot hoznak létre.
Miért fontos? Ez a tevékenység segít megérteni az elbocsátás utáni ellátás összehangolását és annak hatását, például az ismételt betegfelvételek arányára. Az ellátás folytonosságát is jelzi. Hol szerezhető be? Az időpontok táblájában kerül rögzítésre. Az eseményt egy olyan időpont létrehozási időbélyege azonosítja, amely az elbocsátás dátuma utánra esik. Rögzítés Új időpontrekord jön létre az időpontkezelő rendszerben. Eseménytípus explicit

Javasolt Nem kötelező

Útmutatók az adatok kinyeréséhez

Adatok kinyerése az athenahealth rendszerből

Lépések

Jelentkezzen be az athenaNet portálra a biztonságos belépési adataival.
A főmenüből nyissa meg a Reports modult. Ezt általában a „Reports” > „Report Builder” vagy „Custom Reports” menüpont alatt találja.
Kattintson a „Create New Report” gombra, majd elsődleges jelentéskategóriaként válassza az „Encounters” vagy a „Patient Visit” lehetőséget. Így a részletes adatok az adott betegellátási epizódhoz kapcsolódnak.
A „Columns” vagy „Fields” résznél keresse meg, majd adja hozzá a Patient Identifier (Patient ID) és Encounter Identifier (Encounter ID) mezőt. Ezek szolgálnak esetazonosítóként.
Adja hozzá az attribútumokhoz szükséges demográfiai és egyéb adatokat tartalmazó oszlopokat, például a Department, Provider Name, Patient Age és Primary Diagnosis Code mezőt.
Adja hozzá a tevékenységekhez tartozó időbélyeg-oszlopokat. Előfordulhat, hogy ezeket különböző mezőcsoportokban találja, például a „Scheduling” csoportban az Appointment Scheduled, a „Check-in” csoportban a Check-in Time, a „Billing” csoportban pedig a Claim Submitted mezőt. Ha van rá lehetőség, a „Date and Time” formátumot válassza, ne csak a dátumot.
Állítson be szűrőket a jelentéshez. Az „Encounter Date” mezőnél adja meg az elemzés időszakát, például az elmúlt 6 hónapot. A befejezett betegutak vizsgálatához zárja ki a „Cancelled” és „No Show” időpontokat.
Az adatok előnézetéhez kattintson a „Run Report” gombra. Ellenőrizze, hogy az oszlopok tartalmaznak adatokat, és nem csak üres értékeket.
Válassza az „Export” lehetőséget, majd formátumként a „CSV” (Comma Separated Values) opciót. Ne használjon Excel/XLSX-formázási funkciókat, mert ezek megnehezítik az adatok feldolgozását.
Mentse a fájlt helyben „athena_raw_export.csv” néven.
A jelentés találkozásonként egy sort és több dátumoszlopot exportál, vagyis széles formátumú. Alakítsa át eseménynaplóvá, hosszú formátumra. Ehhez használja a Query szakaszban megadott Python-szkriptet.
Futtassa a szkriptet a végleges „process_mining_event_log.csv” fájl létrehozásához, majd töltse fel a ProcessMindbe.

Konfiguráció

Jelentéskategória: Alapkategóriaként válassza az „Encounter Activity” vagy a „Clinicals” lehetőséget, hogy a klinikai munkafolyamatok többségét rögzítse.
Dátumtartomány: Az első adatkinyerést korlátozza 3–6 hónapra, így elkerülheti a jelentés időtúllépését vagy a sorszámkorlátot. A szokásos nézetekben ez jellemzően körülbelül 50 000 sor.
Oszlopok kiválasztása: Jelöljön ki konkrét időbélyegmezőket. A számított mezők, például a „Days since check-in” helyett válassza a tényleges „Check-in Date/Time” mezőt.
Üres értékek kezelése: Állítsa be, hogy a hiányzó adatok üres cellaként jelenjenek meg, ne egyéni szövegként, például „N/A” értékkel. Ez megkönnyíti a szkriptes feldolgozást.
Osztály szerinti szűrés: Nagy szervezet esetén szűrjön meghatározott ellátási helyekre vagy osztályokra, például a kardiológiára vagy az ortopédiára, hogy az adatkészlet a vizsgált területre összpontosítson.
Jogosultságok: Az egyéni jelentések készítőjének az athenaNet rendszerben „Report Creator” vagy „Clinical Reporting” jogosultságra van szüksége a Custom Report Builder használatához.

Példa-lekérdezés 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}")

Lépések

API-alkalmazás regisztrálása: Jelentkezzen be az athenahealth Developer Portalra, és regisztráljon egy új alkalmazást a Client ID és a Client Secret megszerzéséhez. Az alkalmazás jogosultsági körei között szerepeljen az Appointments, a Clinicals (Charts), az Orders és a Billing (Claims).
Python-környezet beállítása: A pip install requests pandas paranccsal telepítse a szükséges Python-könyvtárakat (requests, pandas) a futtatási környezetbe.
Hitelesítés: Az access token lekéréséhez valósítsa meg az OAuth 2.0 Client Credentials folyamatot. Ezt a tokent minden további API-hívás Authorization fejlécében, Bearer tokenként kell megadni.
Hatókör megadása: Állítsa be a Practice ID-t és az adatkinyerés dátumtartományát. Az athenahealth API-k rendelőnként működnek, ezért több rendelő kezelése esetén mindegyik Practice ID-n végig kell mennie.
Időpontok kinyerése: Az alapul szolgáló találkozások lekéréséhez kérdezze le az /appointments/booked vagy az /appointments/changed végpontot. Az időpont azonosítóját rendelje a PatientEpisodeId mezőhöz. A létrehozás dátumából nyerje ki az „Appointment Scheduled”, a bejelentkezés időpontjából pedig a „Patient Checked In” eseményt.
Klinikai események lekérése találkozásonként: Minden időpontazonosítóhoz (találkozáshoz) kérdezze le a klinikai alvégpontokat. Az /chart/{encounterId}/vitals végpontból nyerje ki az „Initial Assessment Completed” eseményt. Az /chart/{encounterId}/orders végpontból kérje le a „Diagnostic Test Ordered”, a „Specimen Collected” (az állapot alapján) és a „Discharge Order Written” eseményt.
Eredmények és diagnózisok lekérése: A „Test Results Received” eseményhez kérdezze le az /chart/{encounterId}/analyteresults vagy az /chart/{encounterId}/labresults végpontot. A „Diagnosis Confirmed” eseményhez használja az /chart/{encounterId}/diagnoses végpontot.
Kezelések és beavatkozások kinyerése: A „Treatment Plan Developed” eseményhez kérdezze le az /chart/{encounterId}/plan végpontot. A „Procedure Performed” eseményhez használja az /chart/{encounterId}/procedures, a „Medication Administered” eseményhez pedig az /chart/{encounterId}/medications/admin végpontot.
ADT-adatok és igények azonosítása: A „Patient Transferred” és „Patient Discharged” esemény rögzítéséhez használja az időpont állapotelőzményeit vagy a megfelelő kórházi végpontokat, ha elérhetők. A „Claim Submitted” esemény kinyeréséhez kérdezze le az időponthoz kapcsolódó /claims végpontot.
Kontrollvizsgálatok összekapcsolása: A „Follow-Up Appointment Scheduled” eseményt úgy azonosíthatja, hogy megkeresi az adott betegazonosítóhoz tartozó, az ellátási epizód időszakában létrehozott későbbi időpontokat.
Átalakítás és lapítás: A beágyazott JSON-válaszokat alakítsa eseményszótárak egyszerű listájává. Minden időbélyeget konvertáljon ISO 8601 formátumra. A mezőket rendelje az ActivityName, PatientEpisodeId és EventTimestamp mezőkhöz.
Adatok exportálása: Töltse be a szótárak listáját pandas DataFrame-be, végezze el a végső tisztítást, beleértve az üres értékek kezelését, majd exportálja a ProcessMindbe betölthető CSV-fájlba.

Konfiguráció

API-hitelesítő adatok: Érvényes Client ID és Secret szükséges az athenahealth Developer Portalról, valamint éles környezethez való hozzáférés.
Practice ID: Az orvosi rendelő egyedi numerikus azonosítója. Hálózat adatainak kinyerésekor a szkriptet rendelőnként kell futtatni.
Dátumtartomány: A részletes klinikai adatok mennyisége miatt 3–6 hónapos adatkinyerési időszak javasolt.
Híváskorlátozás: Az athenaOne API szigorú híváskorlátozást alkalmaz, például másodpercenként 5 hívást engedélyez. A szkript várakozási funkciót tartalmaz, de nagyvállalati méretű adatkinyerésnél exponenciális visszalépést is érdemes beállítani.
Jogosultsági körök: Ellenőrizze, hogy a token rendelkezik-e az athena/service/Athenanet.MDP.* vagy az időpontokhoz, kórlapokhoz és pénzügyi adatokhoz szükséges konkrét jogosultsági körökkel.
Lapozás: A legtöbb végpont korlátozott számú rekordot ad vissza, alapértelmezés szerint 1000-et. A szkriptnek kezelnie kell a next vagy offset paramétereket.
Részleg szerinti szűrés: Ha konkrét betegutakat elemez, például sürgősségi vagy járóbeteg-ellátást, az időpontok lekérésekor szűrjön részlegazonosító szerint.

Példa-lekérdezés 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()

Kezdheti?

Tegye meg az első lépést a betegellátás fejlesztése felé. Ez a sablon segít feltárni az értékes összefüggéseket és javítani az ellátás eredményeit.

Vissza a folyamatfejlesztési útmutatóhoz

Sablon letöltése

Optimalizálja most a betegellátást, szüntesse meg a szűk keresztmetszeteket

Tárja fel a hatékonysági problémákat az athenahealth rendszerben, és csökkentse 30%-kal a betegellátási folyamat átfutási idejét.

Próbálja ki ingyen

Nincs szükség bankkártyára. Kezdje el még ma az optimalizálást.

Betegellátási folyamatának adatsablonja

Betegellátási folyamatának adatsablonja

A betegellátási folyamat attribútumai

A betegellátási folyamat tevékenységei

Útmutatók az adatok kinyeréséhez

Egyéni CSV-export az athenaNet Report Builderből

Lépések

Konfiguráció

Példa-lekérdezés python

Események kinyerése az athenaOne API-ból Python használatával

Lépések

Konfiguráció

Példa-lekérdezés python

Kezdheti?

Optimalizálja most a betegellátást, szüntesse meg a szűk keresztmetszeteket