> Perbaikan proses berkelanjutan > Perjalanan pasien > athenahealth > Templat data

Templat data perjalanan pasien Anda

athenahealth

Atribut perjalanan pasien(19) Aktivitas perjalanan pasien(15) Panduan ekstraksi(2)

Templat data perjalanan pasien Anda

Templat ini memandu Anda mengumpulkan data yang diperlukan untuk menganalisis perjalanan pasien. Templat ini menjelaskan atribut dan aktivitas penting yang perlu dilacak, serta cara mengambil datanya dari athenahealth. Gunakan panduan ini untuk menyiapkan data sebelum melakukan process mining.

Atribut yang disarankan untuk dikumpulkan
Aktivitas penting untuk dilacak
Panduan ekstraksi athenahealth

Baru mengenal log peristiwa? Pelajari cara membuat log peristiwa process mining.

Unduh template

Atribut perjalanan pasien

Berikut kolom data yang disarankan untuk dimasukkan ke dalam log peristiwa. Data ini penting untuk menganalisis dan memahami perjalanan pasien.

5 Wajib 9 Disarankan 5 Opsional

	Nama	Deskripsi
	Episode pasien PatientEpisodeId	Pengenal unik untuk episode atau perjalanan perawatan pasien tertentu.
Deskripsi Atribut ini berfungsi sebagai ID kasus utama yang mengelompokkan semua aktivitas dalam periode perawatan atau kondisi tertentu pada seorang pasien. Atribut ini menghubungkan berbagai peristiwa, seperti janji temu, pesanan diagnostik, dan prosedur pemulangan, menjadi satu rangkaian perjalanan. Dalam analisis, ID ini menjadi kunci utama process mining untuk merekonstruksi alur dari awal hingga akhir. Dengan ID ini, beberapa kunjungan pasien yang sama untuk kondisi berbeda dihitung sebagai instans proses yang terpisah. Mengapa ini penting Penting untuk menentukan cakupan satu instans proses dalam analisis. Sumber data Diperoleh dengan mengelompokkan Encounter ID atau ditautkan ke Episode of Care ID tertentu di athenahealth. Contoh EP-2023-88491EP-2023-99102ENC-55412-GRP
	Nama aktivitas ActivityName	Nama peristiwa atau tugas yang dilakukan dalam perjalanan pasien.
Deskripsi Menunjukkan langkah tertentu dalam proses, seperti 'Pasien selesai check-in', 'Pemeriksaan diagnostik dipesan', atau 'Obat diberikan'. Teks ini menentukan simpul pada peta proses. Nama aktivitas digunakan untuk memvisualisasikan alur proses dan melihat urutan operasional. Nama yang konsisten sangat penting agar peta proses mudah dibaca dan tidak terpecah menjadi kelompok yang tidak perlu. Mengapa ini penting Menentukan langkah-langkah pada peta proses dan wajib tersedia untuk process mining. Sumber data Diperoleh dari log audit, perubahan status janji temu, atau deskripsi item klaim. Contoh Janji temu dijadwalkanPasien melakukan check-inPemeriksaan diagnostik dipesanPasien dipulangkan
	Pembaruan data terakhir LastDataUpdate	Waktu terakhir data diekstrak atau diperbarui.
Deskripsi Menunjukkan seberapa baru data yang digunakan dalam analisis. Dengan begitu, pengguna dapat mengetahui apakah data yang dilihat bersifat real-time atau merupakan rekam historis. Informasi ini digunakan untuk mengelola pipeline data dan memastikan dashboard menampilkan kondisi proses terkini. Mengapa ini penting Penting untuk tata kelola data dan kepercayaan pengguna terhadap kebaruan data di dashboard. Sumber data Waktu sistem saat ETL dijalankan. Contoh 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Sistem sumber SourceSystem	Nama sistem asal data.
Deskripsi Menunjukkan sistem TI yang membuat catatan, dalam hal ini 'athenahealth'. Atribut ini berguna terutama di lingkungan dengan beberapa sistem yang datanya digabungkan. Analis dapat memfilter tampilan berdasarkan sumber data dan menelusuri masalah kualitas data yang berasal dari sistem tertentu. Mengapa ini penting Memberikan informasi asal-usul data dan konteks dalam penerapan process mining yang menggunakan beberapa sistem. Sumber data Nilai literal yang ditetapkan langsung atau ID konfigurasi sistem. Contoh athenahealthAthenaOneAthenaPractice
	Stempel waktu peristiwa EventTimestamp	Tanggal dan waktu tepat saat aktivitas terjadi.
Deskripsi Mencatat waktu tepat saat aktivitas berlangsung. Data ini digunakan untuk mengurutkan peristiwa secara kronologis dan menghitung durasi antarlangkah. Data ini penting untuk analisis berbasis waktu, termasuk waktu siklus, waktu tunggu, dan analisis throughput. Gunakan presisi tinggi agar urutan peristiwa yang terjadi pada hari yang sama dapat diketahui. Mengapa ini penting Diperlukan untuk mengurutkan peristiwa dan menghitung semua KPI berbasis waktu. Sumber data Kolom stempel waktu yang terkait dengan perubahan status atau tanggal pembuatan di tabel athenahealth. Contoh 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	ID pasien PatientId	Pengenal unik pasien yang dianonimkan atau di-hash.
Deskripsi Mengidentifikasi pasien yang menjalani rangkaian perawatan secara unik. Berbeda dengan ID kasus, satu pasien dapat memiliki beberapa episode dari waktu ke waktu. Atribut ini digunakan untuk menghubungkan kunjungan berulang dan menganalisis tingkat rawat inap ulang. Atribut ini penting untuk KPI 'Persentase Rawat Inap Ulang yang Tidak Terjadwal'. Mengapa ini penting Diperlukan untuk melacak rawat inap ulang dan riwayat pasien di berbagai episode. Sumber data Kolom 'patientid' athenahealth. Contoh PAT-100234PAT-559201PAT-992210
	Jenis pertemuan EncounterType	Klasifikasi kunjungan, misalnya kunjungan klinik, telehealth, atau layanan darurat.
Deskripsi Menentukan bentuk atau tempat layanan yang diberikan. Dalam model data umum, atribut ini berfungsi sebagai 'Jenis Kasus'. Setiap jenis pertemuan memiliki alur dan persyaratan penagihan yang berbeda. Filter berdasarkan atribut ini penting agar analisis waktu siklus membandingkan kasus yang sejenis. Mengapa ini penting Membedakan variasi proses, seperti telehealth dan kunjungan langsung. Sumber data Kolom 'encountertype' athenahealth. Contoh Kunjungan klinikTelehealthLayanan daruratOperasi
	Kelompok usia pasien PatientAgeGroup	Pengelompokan usia pasien, misalnya 18-25 atau 65+.
Deskripsi Mengelompokkan pasien berdasarkan demografi. Atribut ini diperlukan untuk dashboard 'Perbandingan Perjalanan Berdasarkan Kelompok Usia dan Diagnosis'. Atribut ini membantu mengetahui apakah ketidakefisienan proses atau hasil perawatan lebih banyak berdampak pada kelompok usia tertentu, seperti lansia atau pasien anak. Mengapa ini penting Segmen demografi standar untuk analisis proses layanan kesehatan. Sumber data Dihitung dari Patient DOB dan StartTime. Contoh 18-2930-4965+
	Kode diagnosis utama PrimaryDiagnosisCode	Kode ICD-10 utama yang terkait dengan episode.
Deskripsi Mengelompokkan alasan klinis di balik perjalanan pasien. Informasi ini memberikan konteks untuk 'Perbandingan Perjalanan Berdasarkan Kelompok Usia dan Diagnosis'. Analis menggunakan atribut ini untuk mengelompokkan perjalanan berdasarkan kondisi, misalnya pneumonia atau patah tulang. Setiap kondisi memiliki alur dan waktu siklus yang berbeda. Mengapa ini penting Memungkinkan perbandingan kasus sejenis, karena waktu siklus dapat sangat berbeda menurut diagnosis. Sumber data Kolom diagnosis Encounter atau Claim (ICD-10). Contoh J18.9I10E11.9
	Nama bagian DepartmentName	Bagian rumah sakit atau klinik tempat aktivitas berlangsung.
Deskripsi Mengelompokkan data proses berdasarkan unit kerja, seperti Unit Gawat Darurat, Kardiologi, atau Radiologi. Atribut ini penting untuk dashboard 'Throughput dan Serah Terima Antarbagian'. Analisis dengan atribut ini menyoroti hambatan di bagian tertentu dan membantu memperlancar alur pasien antarbagian. Mengapa ini penting Penting untuk menemukan hambatan organisasi dan ketidakefisienan dalam serah terima. Sumber data 'departmentid' athenahealth dicocokkan dengan nama bagian. Contoh Unit gawat daruratPenyakit dalamRadiologi
	Nama tenaga kesehatan ProviderName	Nama tenaga kesehatan yang melakukan aktivitas.
Deskripsi Menunjukkan dokter, perawat, atau teknisi yang bertanggung jawab atas peristiwa tersebut. Atribut ini menjadi dasar analisis pemanfaatan sumber daya. Atribut ini memungkinkan perbandingan metrik kinerja, seperti throughput dan waktu siklus, antarstaf untuk mengetahui kebutuhan pelatihan atau ketimpangan beban kerja. Mengapa ini penting Penting untuk 'Tingkat Pemanfaatan Sumber Daya' dan analisis serah terima. Sumber data 'providerid' athenahealth dicocokkan dengan nama di direktori tenaga kesehatan. Contoh Dr. SmithPerawat JonesTeknisi Adams
	Rawat inap ulang IsReadmission	Penanda yang menunjukkan apakah episode ini merupakan kunjungan ulang yang tidak terjadwal.
Deskripsi Penanda boolean yang menunjukkan apakah pasien kembali ke rumah sakit dalam jangka waktu tertentu, misalnya 30 hari, setelah pemulangan sebelumnya. Atribut ini mendukung KPI 'Persentase Rawat Inap Ulang yang Tidak Terjadwal'. Dengan memfilter atribut ini, analis dapat menelusuri penyebab utama rawat inap ulang dan menemukan pola pada alur perawatan sebelumnya. Mengapa ini penting Mendukung KPI Tingkat Rawat Inap Ulang secara langsung. Sumber data Dihitung saat ETL dengan membandingkan tanggal masuk dan tanggal pemulangan sebelumnya. Contoh truefalse
	Tujuan pemulangan DischargeDisposition	Tujuan atau status pasien setelah dipulangkan.
Deskripsi Menunjukkan tujuan pasien setelah episode berakhir, misalnya pulang ke rumah, fasilitas perawatan terampil, atau hospis. Informasi ini penting untuk 'Perencanaan Pemulangan dan Tren Rawat Inap Ulang'. Atribut ini memberi konteks tentang tingkat kerumitan perencanaan pemulangan dan membantu menilai efektivitas transisi perawatan. Mengapa ini penting Konteks penting untuk perencanaan pemulangan dan risiko rawat inap ulang. Sumber data Kolom pertemuan athenahealth atau catatan pemulangan rumah sakit. Contoh RumahFasilitas perawatan terampilDipindahkan ke rumah sakit perawatan jangka pendekMeninggal
	Waktu akhir peristiwa EventEndTime	Waktu saat aktivitas tertentu selesai.
Deskripsi Mencatat waktu penyelesaian aktivitas. Data ini memungkinkan penghitungan durasi aktif atau waktu pemrosesan langkah tersebut, terpisah dari waktu tunggu sebelumnya. Data ini digunakan untuk menganalisis efisiensi sumber daya dan menemukan tugas yang membutuhkan waktu lebih lama dari perkiraan saat dikerjakan secara manual. Mengapa ini penting Memungkinkan penghitungan waktu pemrosesan aktif dan waktu tunggu pasif secara terpisah. Sumber data Waktu check-out, waktu verifikasi hasil, atau stempel waktu penyelesaian tertentu di athenahealth. Contoh 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Jenis pesanan OrderType	Kategori pesanan, misalnya laboratorium, pencitraan, atau resep.
Deskripsi Mengelompokkan pesanan klinis yang dibuat selama episode. Atribut ini penting untuk dashboard 'Waktu Tunggu Pemeriksaan Diagnostik'. Analis dapat mengukur waktu tunggu laboratorium dan pencitraan secara terpisah, karena keduanya sering memiliki target tingkat layanan dan hambatan yang berbeda. Mengapa ini penting Mengelompokkan proses diagnostik untuk menganalisis waktu tunggu secara spesifik. Sumber data 'ordertype' atau 'class' athenahealth di API pesanan. Contoh LaboratoriumPencitraanResepProsedur
	Pengerjaan ulang IsRework	Penanda yang menunjukkan apakah aktivitas ini diulang.
Deskripsi Penanda boolean bernilai benar jika aktivitas terjadi lebih dari sekali dalam kasus yang sama. Atribut ini mendukung dashboard 'Frekuensi Aktivitas dan Pengulangan Pengerjaan'. Atribut ini membantu memisahkan kasus yang mengalami pengerjaan ulang sehingga KPI 'Frekuensi Aktivitas yang Dikerjakan Ulang' dapat dihitung. Mengapa ini penting Menunjukkan ketidakefisienan proses dan langkah yang berulang tanpa perlu. Sumber data Dihitung saat ETL berdasarkan jumlah kemunculan aktivitas per CaseId. Contoh truefalse
	Status hasil diagnostik DiagnosticResultStatus	Status hasil pesanan diagnostik, misalnya positif atau normal.
Deskripsi Mencatat hasil umum suatu pemeriksaan. Informasi ini memberi konteks untuk 'Waktu Tunggu Pemeriksaan Diagnostik' dan keputusan perawatan selanjutnya. Data ini digunakan untuk menganalisis apakah hasil abnormal mendorong tindakan lanjutan yang lebih cepat dibandingkan hasil normal. Mengapa ini penting Menghubungkan alur proses dengan hasil klinis. Sumber data Kolom observasi hasil laboratorium athenahealth. Contoh NormalAbnormalKritis
	Status klaim ClaimStatus	Status klaim finansial yang terkait dengan perawatan.
Deskripsi Menunjukkan status klaim penagihan, misalnya 'Submitted', 'Denied', atau 'Paid'. Status ini terkait dengan aktivitas 'Klaim Dikirim' dan throughput finansial. Informasi ini membantu mengetahui apakah masalah dokumentasi klinis menyebabkan keterlambatan proses finansial. Mengapa ini penting Menghubungkan efisiensi klinis dengan kinerja siklus pendapatan. Sumber data Kolom 'claimstatus' athenahealth. Contoh DITAGIHKANDITAHANDIKIRIM
	Total biaya TotalChargeAmount	Jumlah biaya yang dikenakan untuk aktivitas atau episode.
Deskripsi Nilai finansial yang terkait dengan aktivitas atau total nilai klaim. Data ini memungkinkan process mining berbasis biaya dan analisis dampak finansial. Data ini digunakan untuk menemukan variasi alur perawatan berbiaya tinggi dan mengaitkan efisiensi proses dengan hasil finansial. Mengapa ini penting Menambahkan dimensi finansial ke analisis proses. Sumber data 'amount' atau 'totalcharge' athenahealth di tabel klaim/biaya. Contoh 150.002500.5045.00

Wajib Disarankan Opsional

Aktivitas perjalanan pasien

Berikut tahapan proses dan pencapaian penting yang perlu dicatat dalam log peristiwa agar perjalanan pasien dapat dipetakan dan ditingkatkan dengan akurat.

7 Disarankan 8 Opsional

	Aktivitas	Deskripsi
	Diagnosis dikonfirmasi	Tenaga klinis secara resmi menetapkan atau mengonfirmasi diagnosis kondisi pasien untuk kunjungan saat ini. Peristiwa ini dapat disimpulkan dari stempel waktu pembuatan atau pembaruan terakhir kode diagnosis utama, seperti ICD-10, yang terkait dengan kunjungan pasien.
Mengapa ini penting Tahap penting ini menentukan jalur perawatan selanjutnya. Dengan menganalisis variasi aktivitas setelah tahap ini, Anda dapat memahami dan menstandarkan protokol perawatan. Sumber data Peristiwa ini dapat disimpulkan dari daftar masalah pasien atau data diagnosis kunjungan. Perubahan atau finalisasi kode diagnosis beserta stempel waktunya menandai peristiwa ini. Pengumpulan data Temukan stempel waktu saat diagnosis utama untuk kunjungan ditambahkan atau diperbarui. Jenis peristiwa inferred
	Hasil pemeriksaan diterima	Hasil pemeriksaan diagnostik telah difinalisasi dan tersedia di rekam medis pasien. Biasanya, peristiwa ini tercatat saat sistem laboratorium atau pencitraan mengirimkan hasil ke athenahealth dan membuat entri dengan stempel waktu.
Mengapa ini penting Hasil yang diterima menjadi pemicu penting bagi keputusan klinis selanjutnya, seperti diagnosis dan perencanaan perawatan. Peristiwa ini menjadi titik akhir untuk mengukur waktu penyelesaian pemeriksaan diagnostik. Sumber data Data ini tersedia di tabel hasil atau diagnostik dan terhubung dengan pesanan awal. Peristiwa ditandai dengan stempel waktu saat hasil dimasukkan atau diterima ke dalam rekam medis pasien. Pengumpulan data Catatan hasil baru dibuat dengan stempel waktu, sering kali melalui antarmuka dari LIS atau RIS. Jenis peristiwa explicit
	Pasien dipulangkan	Pasien resmi dipulangkan dan rangkaian perawatan di fasilitas telah selesai. Ini adalah peristiwa ADT terakhir untuk kunjungan rawat inap, yang tercatat dengan stempel waktu yang tepat.
Mengapa ini penting Peristiwa ini menandai akhir perjalanan utama pasien. Ini menjadi titik akhir untuk mengukur 'Waktu siklus perjalanan pasien' secara keseluruhan dan penting untuk analisis rawat inap ulang. Sumber data Peristiwa ini tercatat secara eksplisit di sistem ADT atau tabel kunjungan pasien. Status akhir kunjungan ditandai sebagai 'Discharged' beserta stempel waktunya. Pengumpulan data Status kunjungan pasien diperbarui menjadi 'Discharged' dan peristiwa ADT dicatat. Jenis peristiwa explicit
	Pasien melakukan check-in	Aktivitas ini menandai kedatangan pasien dan proses check-in resmi untuk janji temu atau kunjungan yang dijadwalkan. Biasanya, aktivitas ini tercatat sebagai perubahan status pada data janji temu di athenaClinicals atau athenaCommunicator.
Mengapa ini penting Ini menandai awal kunjungan pasien di fasilitas. Titik ini penting untuk mengukur waktu tunggu dan keseluruhan waktu siklus kunjungan klinis. Sumber data Tercatat sebagai pembaruan status di tabel janji temu atau kunjungan. Cari status 'Checked-In' beserta stempel waktunya. Pengumpulan data Perubahan status pada data janji temu atau kunjungan tercatat beserta stempel waktunya. Jenis peristiwa explicit
	Penilaian awal selesai	Menandai selesainya evaluasi klinis pertama, seperti triase atau penilaian keperawatan, saat tanda vital dan keluhan utama dicatat. Peristiwa ini sering disimpulkan dari stempel waktu catatan klinis pertama yang ditandatangani atau formulir penilaian yang telah diisi untuk kunjungan tersebut.
Mengapa ini penting Tahap ini menandai dimulainya perawatan klinis. Durasi dari check-in hingga aktivitas ini menjadi ukuran penting untuk waktu tunggu awal pasien dan kecepatan respons terhadap kebutuhan sumber daya. Sumber data Waktunya dapat disimpulkan dari stempel waktu pembuatan atau penandatanganan dokumen klinis atau flowsheet tertentu di athenaClinicals. Anda perlu menentukan jenis dokumen yang relevan untuk triase atau penerimaan pasien. Pengumpulan data Temukan stempel waktu pertama pada catatan klinis, flowsheet tanda vital, atau formulir penerimaan khusus untuk kunjungan tersebut. Jenis peristiwa inferred
	Perintah pemulangan ditulis	Dokter atau penyedia layanan yang berwenang menulis perintah resmi untuk memulangkan pasien dari perawatan. Peristiwa ini tercatat secara eksplisit dengan stempel waktu di modul CPOE EHR.
Mengapa ini penting Aktivitas ini memulai proses pemulangan. Waktu antara perintah tersebut dan pemulangan pasien menjadi indikator kinerja utama untuk 'Waktu tunggu perencanaan pemulangan'. Sumber data Data ini tersedia di tabel pesanan. Peristiwa ditandai dengan jenis pesanan khusus 'Discharge' dan stempel waktu pembuatannya. Pengumpulan data Catatan baru dengan jenis pesanan 'Discharge' dibuat di tabel pesanan. Jenis peristiwa explicit
	Prosedur dilakukan	Prosedur klinis, seperti operasi atau terapi khusus, dilakukan pada pasien. Peristiwa ini tercatat secara eksplisit dalam dokumentasi klinis, sering kali dengan waktu mulai dan selesai yang dicatat dalam catatan prosedur.
Mengapa ini penting Prosedur merupakan tahap penting dalam perawatan pasien. Dengan menganalisis aktivitas sebelum dan sesudah prosedur, Anda dapat mengoptimalkan alur kerja sebelum dan sesudah tindakan. Sumber data Data ini tersedia di catatan prosedur atau flowsheet klinis tertentu di athenaClinicals. Stempel waktu peristiwa diambil dari waktu mulai atau selesai prosedur yang tercatat. Pengumpulan data Catatan atau log prosedur dibuat dengan stempel waktu pelaksanaan prosedur. Jenis peristiwa explicit
	Janji temu dijadwalkan	Menandai pemesanan janji temu untuk pasien. Peristiwa ini tercatat secara eksplisit saat pengguna membuat dan mengonfirmasi janji temu baru di modul penjadwalan athenahealth, athenaCommunicator.
Mengapa ini penting Aktivitas ini menandai awal perjalanan bagi banyak pasien. Dengan menganalisis waktu dari penjadwalan hingga pasien datang, Anda dapat memahami akses pasien dan efisiensi sebelum kunjungan. Sumber data Peristiwa ini tercatat secara eksplisit di tabel janji temu atau penjadwalan. Biasanya, data ini mencakup stempel waktu pembuatan dan ID pasien. Pengumpulan data Peristiwa tercatat saat data janji temu dibuat di modul penjadwalan. Jenis peristiwa explicit
	Janji temu tindak lanjut dijadwalkan	Janji temu tindak lanjut dijadwalkan untuk pasien setelah perawatan utama atau pemulangan. Peristiwa ini tercatat secara eksplisit saat janji temu baru dibuat di modul penjadwalan athenaCommunicator.
Mengapa ini penting Aktivitas ini penting untuk memahami koordinasi perawatan setelah pasien pulang dan dampaknya terhadap hasil, seperti angka rawat inap ulang. Aktivitas ini menunjukkan kesinambungan perawatan. Sumber data Tercatat di tabel janji temu. Peristiwa ini ditandai dengan stempel waktu pembuatan janji temu yang berlangsung setelah tanggal pemulangan. Pengumpulan data Catatan janji temu baru dibuat di sistem penjadwalan. Jenis peristiwa explicit
	Klaim diajukan	Klaim atas layanan yang diberikan selama kunjungan pasien dibuat dan diajukan kepada pihak pembayar. Peristiwa ini tercatat secara eksplisit di modul manajemen siklus pendapatan athenaCollector.
Mengapa ini penting Meski bersifat administratif, aktivitas ini penting untuk menganalisis proses siklus pendapatan yang berjalan bersamaan dengan perjalanan klinis pasien. Aktivitas ini membantu menemukan jeda antara layanan klinis dan penagihan. Sumber data Tercatat di tabel klaim atau penagihan. Peristiwa ini ditandai dengan waktu pembuatan atau pengiriman klaim. Pengumpulan data Catatan klaim dibuat, lalu statusnya diperbarui menjadi 'Submitted' beserta stempel waktunya. Jenis peristiwa explicit
	Obat diberikan	Staf klinis memberikan obat secara langsung kepada pasien. Pemberian ini tercatat secara eksplisit di modul Medication Administration Record (MAR) athenaClinicals, dengan stempel waktu yang tepat untuk setiap dosis.
Mengapa ini penting Aktivitas ini menandai tindakan perawatan secara langsung. Dengan menganalisis waktunya, Anda dapat mengukur 'Waktu hingga perawatan pertama' dan memastikan jadwal pemberian obat dipatuhi. Sumber data Data ini tersedia di tabel MAR. Setiap peristiwa pemberian obat mencakup ID pasien, ID obat, dosis, dan stempel waktu pemberian. Pengumpulan data Catatan dengan stempel waktu dibuat di MAR setiap kali pemberian obat dicatat. Jenis peristiwa explicit
	Pasien dipindahkan	Pasien dipindahkan dari satu unit perawatan atau departemen ke unit lain, misalnya dari Unit Gawat Darurat ke bangsal rawat inap. Peristiwa ini tercatat secara eksplisit sebagai peristiwa Admission, Discharge, Transfer (ADT) di EHR.
Mengapa ini penting Aktivitas ini penting untuk menganalisis serah terima antar departemen dan alur pasien di fasilitas. Data ini membantu menemukan hambatan dalam 'Waktu serah terima pasien' dan alokasi sumber daya. Sumber data Tercatat di log peristiwa ADT atau tabel pelacakan pasien. Setiap peristiwa pemindahan mencakup data pasien, lokasi asal dan tujuan, serta stempel waktu. Pengumpulan data Pesan ADT atau entri log peristiwa dibuat dengan stempel waktu saat pasien dipindahkan. Jenis peristiwa explicit
	Pemeriksaan diagnostik dipesan	Penyedia layanan memesan pemeriksaan diagnostik, seperti tes laboratorium, pemindaian pencitraan, atau prosedur lainnya. Peristiwa ini tercatat secara eksplisit dengan stempel waktu melalui fitur CPOE (Computerized Provider Order Entry) di athenaClinicals.
Mengapa ini penting Ini adalah titik keputusan penting yang memulai subproses diagnostik. Pelacakan aktivitas ini diperlukan untuk menganalisis KPI 'Waktu tunggu pemeriksaan diagnostik', dari pemesanan hingga hasil tersedia. Sumber data Data ini tersedia di tabel pesanan. Setiap pesanan memiliki ID pasien, nama pesanan, status pesanan, dan stempel waktu pembuatan. Pengumpulan data Catatan baru dengan stempel waktu dibuat di tabel pesanan sistem. Jenis peristiwa explicit
	Rencana perawatan disusun	Menandai pembuatan dan dokumentasi resmi rencana perawatan pasien oleh tenaga klinis. Peristiwa ini dapat tercatat saat dokumen 'Plan of Care' dibuat atau ditandatangani, atau saat serangkaian pesanan perawatan terkait dibuat.
Mengapa ini penting Aktivitas ini menetapkan jalur perawatan yang direncanakan secara resmi. Tahap ini penting untuk mengukur kesesuaian dengan protokol standar dan menganalisis variasi perawatan. Sumber data Data ini kemungkinan tersedia di tabel dokumen klinis atau pesanan. Peristiwa ini sesuai dengan stempel waktu catatan rencana perawatan yang ditandatangani atau pengajuan serangkaian pesanan perawatan yang terkoordinasi. Pengumpulan data Peristiwa ini menggunakan stempel waktu pembuatan atau finalisasi dokumen rencana perawatan atau kumpulan pesanan tertentu. Jenis peristiwa explicit
	Sampel diambil	Menandai pengambilan sampel biologis, seperti darah atau urine, dari pasien untuk pemeriksaan laboratorium. Biasanya, peristiwa ini tercatat secara eksplisit di modul laboratorium atau sebagai pembaruan status pesanan.
Mengapa ini penting Ini adalah tahap penting dalam proses pemeriksaan diagnostik. Waktu antara pemesanan, pengambilan sampel, dan tersedianya hasil dapat menunjukkan hambatan besar dalam alur kerja laboratorium. Sumber data Peristiwa ini dapat ditemukan sebagai perubahan status pesanan laboratorium atau sebagai peristiwa tersendiri di sistem informasi laboratorium yang terhubung dengan athenahealth. Cari status 'Collected' beserta stempel waktunya. Pengumpulan data Tercatat sebagai pembaruan status pesanan laboratorium atau di modul khusus pelacakan sampel. Jenis peristiwa explicit

Disarankan Opsional

Panduan ekstraksi

Cara mengambil data dari athenahealth

Langkah

Masuk ke portal athenaNet menggunakan kredensial aman Anda.
Buka modul Reports dari menu utama. Biasanya, modul ini ada di 'Reports' > 'Report Builder' atau 'Custom Reports'.
Klik 'Create New Report', lalu pilih 'Encounters' atau 'Patient Visit' sebagai kategori laporan utama. Dengan begitu, data terperinci akan berfokus pada episode pasien tertentu.
Di bagian pemilihan 'Columns' atau 'Fields', cari dan tambahkan Patient Identifier (Patient ID) serta Encounter Identifier (Encounter ID) sebagai ID Kasus.
Tambahkan kolom demografi dan konteks yang diperlukan sebagai atribut, seperti Department, Provider Name, Patient Age, dan Primary Diagnosis Code.
Tambahkan kolom waktu yang sesuai dengan aktivitas. Anda mungkin perlu mencari di beberapa kelompok kolom, misalnya 'Scheduling' untuk Appointment Scheduled, 'Check-in' untuk Check-in Time, dan 'Billing' untuk Claim Submitted. Jika tersedia, pilih format 'Date and Time', bukan hanya Date.
Terapkan filter pada konfigurasi laporan. Atur rentang 'Encounter Date' sesuai periode analisis, misalnya 6 bulan terakhir, lalu kecualikan janji temu berstatus 'Cancelled' atau 'No Show' agar analisis berfokus pada perjalanan yang selesai.
Klik 'Run Report' untuk melihat pratinjau data. Pastikan kolom berisi data dan tidak seluruhnya kosong.
Pilih 'Export', lalu pilih 'CSV' (Comma Separated Values) sebagai format. Jangan gunakan format Excel/XLSX karena dapat mempersulit pemrosesan.
Simpan file secara lokal dengan nama 'athena_raw_export.csv'.
Laporan ini mengekspor satu baris untuk setiap kunjungan dengan beberapa kolom tanggal (format lebar), jadi Anda perlu mengubahnya menjadi log peristiwa (format panjang). Gunakan skrip Python di bagian Query untuk melakukan perubahan ini.
Jalankan skrip untuk membuat file akhir 'process_mining_event_log.csv', lalu unggah file tersebut ke ProcessMind.

Konfigurasi

Kategori laporan: Pilih 'Encounter Activity' atau 'Clinicals' sebagai kategori dasar untuk merekam sebagian besar langkah alur kerja klinis.
Rentang tanggal: Batasi ekstraksi awal hingga 3-6 bulan agar laporan tidak kehabisan waktu atau mencapai batas jumlah baris (biasanya sekitar 50.000 baris pada tampilan standar).
Pemilihan kolom: Pastikan kolom stempel waktu eksplisit dipilih. Hindari kolom hasil perhitungan seperti 'Days since check-in'. Gunakan 'Check-in Date/Time' yang menunjukkan tanggal dan waktu sebenarnya.
Penanganan nilai kosong: Atur laporan agar menampilkan sel kosong untuk data yang tidak tersedia, bukan teks khusus seperti 'N/A'. Ini memudahkan pemrosesan skrip.
Filter departemen: Jika organisasi Anda besar, filter berdasarkan Service Locations atau Departments tertentu (misalnya, 'Cardiology', 'Orthopedics') agar kumpulan data tetap terfokus.
Izin: Pengguna memerlukan izin 'Report Creator' atau 'Clinical Reporting' di athenaNet untuk mengakses Custom Report Builder.

Contoh kueri 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}")

Langkah

Daftarkan aplikasi API: Masuk ke athenahealth Developer Portal dan daftarkan aplikasi baru untuk mendapatkan Client ID dan Client Secret. Pastikan aplikasi memiliki cakupan untuk Appointments, Clinicals (Charts), Orders, dan Billing (Claims).
Siapkan lingkungan Python: Pasang pustaka Python yang diperlukan (requests, pandas) di lingkungan eksekusi menggunakan pip install requests pandas.
Lakukan autentikasi: Terapkan alur OAuth 2.0 Client Credentials untuk mendapatkan token akses. Sertakan token ini di header Authorization (Bearer token) untuk semua panggilan API berikutnya.
Tentukan cakupan: Tetapkan Practice ID dan rentang tanggal ekstraksi. API Athenahealth berlaku untuk praktik tertentu, jadi Anda perlu mengulang proses untuk setiap Practice ID jika mengelola beberapa praktik.
Ekstrak janji temu: Gunakan endpoint /appointments/booked atau /appointments/changed untuk mengambil data kunjungan dasar. Petakan ID janji temu ke PatientEpisodeId. Ambil 'Appointment Scheduled' dari tanggal pembuatan dan 'Patient Checked In' dari waktu check-in.
Telusuri kunjungan untuk mengambil peristiwa klinis: Untuk setiap ID janji temu (kunjungan), gunakan endpoint klinis terkait. Panggil /chart/{encounterId}/vitals untuk 'Initial Assessment Completed'. Panggil /chart/{encounterId}/orders untuk 'Diagnostic Test Ordered', 'Specimen Collected' (berdasarkan status), dan 'Discharge Order Written'.
Ambil hasil dan diagnosis: Gunakan /chart/{encounterId}/analyteresults atau /chart/{encounterId}/labresults untuk 'Test Results Received'. Gunakan /chart/{encounterId}/diagnoses untuk 'Diagnosis Confirmed'.
Ekstrak perawatan dan prosedur: Gunakan /chart/{encounterId}/plan untuk 'Treatment Plan Developed'. Gunakan /chart/{encounterId}/procedures untuk 'Procedure Performed'. Gunakan /chart/{encounterId}/medications/admin untuk 'Medication Administered'.
Identifikasi ADT dan klaim: Gunakan riwayat status janji temu atau endpoint rumah sakit tertentu, jika tersedia, untuk mencatat 'Patient Transferred' dan 'Patient Discharged'. Gunakan /claims yang terkait dengan janji temu untuk mengambil 'Claim Submitted'.
Hubungkan tindak lanjut: Temukan 'Follow-Up Appointment Scheduled' dengan mencari janji temu berikutnya yang dibuat untuk ID pasien yang sama dalam rentang waktu kunjungan.
Ubah dan ratakan data: Uraikan respons JSON bertingkat menjadi daftar datar berisi kamus peristiwa. Ubah semua cap waktu ke format ISO 8601. Petakan kolom ke ActivityName, PatientEpisodeId, dan EventTimestamp.
Ekspor data: Masukkan daftar kamus ke pandas DataFrame, bersihkan data (termasuk menangani nilai kosong), lalu ekspor ke file CSV yang siap dimasukkan ke ProcessMind.

Konfigurasi

Kredensial API: Diperlukan Client ID dan Secret yang valid dari athenahealth Developer Portal dengan akses produksi.
Practice ID: ID numerik unik untuk konteks praktik medis. Jika mengekstrak data untuk jaringan praktik, jalankan skrip untuk setiap praktik.
Rentang tanggal: Rentang ekstraksi yang disarankan adalah 3 hingga 6 bulan karena data klinis terperinci berjumlah besar.
Batas laju: API athenaOne memiliki batas laju yang ketat, misalnya 5 panggilan per detik. Skrip menyertakan fungsi jeda, tetapi ekstraksi skala perusahaan sebaiknya menerapkan jeda bertahap yang makin lama.
Cakupan akses: Pastikan token memiliki cakupan athena/service/Athenanet.MDP.* atau cakupan terperinci untuk janji temu, rekam medis, dan data keuangan.
Paginasi: Sebagian besar endpoint mengembalikan jumlah rekaman terbatas, biasanya 1.000. Skrip harus menangani parameter next atau offset.
Filter departemen: Jika menganalisis alur tertentu, misalnya Gawat Darurat atau Rawat Jalan, filter berdasarkan ID departemen saat mengambil data janji temu.

Contoh kueri 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()

Siap memulai?

Mulailah meningkatkan perawatan pasien. Templat ini menjadi langkah awal untuk menemukan wawasan berharga dan memperbaiki hasil layanan kesehatan.

Kembali ke panduan perbaikan

Unduh template

Optimalkan perjalanan pasien dan atasi hambatan sekarang

Temukan inefisiensi di athenahealth dan kurangi waktu siklus perjalanan pasien hingga 30%.

Mulai uji coba gratis

Tidak perlu kartu kredit. Mulai optimalkan proses hari ini.

Templat data perjalanan pasien Anda

Templat data perjalanan pasien Anda

Atribut perjalanan pasien

Aktivitas perjalanan pasien

Panduan ekstraksi

Ekspor CSV kustom melalui athenaNet Report Builder

Langkah

Konfigurasi

Contoh kueri python

Ekstraksi peristiwa API athenaOne dengan Python

Langkah

Konfigurasi

Contoh kueri python

Siap memulai?

Optimalkan perjalanan pasien dan atasi hambatan sekarang