> Miglioramento continuo dei processi > Percorso del paziente > athenahealth > Template dei dati

Il Suo Template per i dati del percorso del paziente

athenahealth

Attributi del percorso del paziente (19) Attività del percorso del paziente (15) Guide all'estrazione (2)

Il Suo Template per i dati del percorso del paziente

Questo Template offre una guida completa alla raccolta dei dati necessari per analizzare il percorso del paziente. Illustra gli attributi e le attività essenziali da monitorare, insieme a indicazioni chiare su come estrarre queste informazioni da athenahealth. Utilizzi questa risorsa per assicurarsi che i Suoi dati siano pronti per un efficace process mining.

Attributi consigliati da raccogliere
Attività chiave da monitorare
Indicazioni per l'estrazione da athenahealth

Non conosce ancora gli Event Log? Scopra come creare un Event Log per il Process Mining.

Scarica il Template

Attributi del percorso del paziente

Questi sono i campi dati consigliati da includere nell’Event Log, essenziali per un’analisi completa e una comprensione approfondita dei percorsi dei pazienti.

5 Obbligatorio 9 Consigliato 5 Facoltativo

	Nome	Descrizione
	Episodio del paziente PatientEpisodeId	Identificativo univoco dello specifico episodio o percorso del paziente.
Descrizione Questo attributo funge da identificativo centrale del Case, raggruppando tutte le attività relative a uno specifico periodo di assistenza o a una determinata condizione del paziente. Collega eventi distinti, come appuntamenti, richieste di esami diagnostici e procedure di dimissione, in un unico percorso coerente. Nell'analisi, questo ID è la chiave primaria per il Process Mining e consente di ricostruire il flusso end-to-end. Garantisce che più visite dello stesso paziente, relative a condizioni diverse, vengano trattate come istanze di processo distinte. Perché è importante Essenziale per definire l'ambito di una singola istanza di processo nell'analisi. Dove reperirlo Derivato dal raggruppamento degli ID degli incontri o collegato a uno specifico ID dell'Episode of Care in athenahealth. Esempi EP-2023-88491EP-2023-99102ENC-55412-GRP
	Nome dell'attività ActivityName	Il nome dell'evento o dell'attività eseguita nel percorso del paziente.
Descrizione Indica la fase specifica del processo in corso, ad esempio 'Patient Checked In', 'Diagnostic Test Ordered' o 'Medication Administered'. Questa stringa di testo definisce i nodi della mappa del processo. Viene utilizzata per visualizzare il flusso del processo e identificare la sequenza delle operazioni. La standardizzazione di questi nomi è fondamentale per ottenere una mappa del processo leggibile e priva di raggruppamenti indesiderati. Perché è importante Definisce le fasi della mappa del processo ed è obbligatorio per qualsiasi attività di Process Mining. Dove reperirlo Derivato dagli audit log, dalle modifiche dello stato degli appuntamenti o dalle descrizioni delle voci di dettaglio delle richieste di rimborso. Esempi Appuntamento programmatoPaziente registrato all'arrivoEsame diagnostico prescrittoPaziente dimesso
	Sistema di origine SourceSystem	Il nome del sistema da cui provengono i dati.
Descrizione Identifica il sistema IT responsabile della generazione del record, in questo caso 'athenahealth'. È particolarmente utile negli ambienti multi-sistema, nei quali i dati possono essere combinati. Consente agli analisti di filtrare la vista in base alla fonte dei dati e di risolvere i problemi di qualità specifici di un determinato sistema. Perché è importante Fornisce la provenienza dei dati e il contesto nelle configurazioni di Process Mining multi-sistema. Dove reperirlo Valore letterale hardcoded o ID di configurazione del sistema. Esempi athenahealthAthenaOneAthenaPractice
	Timestamp dell'evento EventTimestamp	La data e l'ora specifiche in cui si è verificata l'attività.
Descrizione Registra il momento esatto in cui si è svolta un'attività. Viene utilizzato per ordinare cronologicamente gli eventi e calcolare la durata tra le diverse fasi. È fondamentale per le analisi basate sul tempo, inclusi i tempi di ciclo, i tempi di attesa e l'analisi del throughput. È preferibile un'elevata precisione per determinare l'ordine degli eventi che si verificano nello stesso giorno. Perché è importante Necessario per ordinare gli eventi e calcolare tutti i KPI basati sul tempo. Dove reperirlo Campi timestamp associati alle modifiche dello stato o alle date di creazione nelle tabelle di athenahealth. Esempi 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Ultimo aggiornamento dei dati LastDataUpdate	Il timestamp dell'ultima estrazione o dell'ultimo aggiornamento dei dati.
Descrizione Indica l'aggiornamento dei dati utilizzati nell'analisi. Aiuta a comprendere se si stanno esaminando dati in tempo reale o uno snapshot storico. Viene utilizzato per gestire le pipeline di dati e garantire che i Dashboard riflettano lo stato più aggiornato del processo. Perché è importante Fondamentale per la governance dei dati e per la fiducia degli utenti nell'aggiornamento del Dashboard. Dove reperirlo Ora del sistema al momento dell'esecuzione dell'ETL. Esempi 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Codice della diagnosi principale PrimaryDiagnosisCode	Il codice ICD-10 principale associato all'episodio.
Descrizione Classifica la ragione clinica del percorso del paziente. Fornisce il contesto necessario per 'Age Group & Diagnosis Journey Comparison'. Gli analisti lo utilizzano per segmentare i percorsi in base alla condizione, ad esempio polmonite o frattura, poiché condizioni diverse presentano percorsi attesi e tempi di ciclo molto differenti. Perché è importante Consente di confrontare casi omogenei; i tempi di ciclo possono variare notevolmente in base alla diagnosi. Dove reperirlo Campi della diagnosi dell'incontro o della richiesta di rimborso, ICD-10. Esempi J18.9I10E11.9
	Destinazione alla dimissione DischargeDisposition	La destinazione o lo stato del paziente al momento della dimissione.
Descrizione Indica dove si è recato il paziente dopo l'episodio, ad esempio a casa, in una struttura infermieristica specializzata o in hospice. È fondamentale per 'Discharge Planning & Readmission Trends'. Fornisce il contesto relativo alla complessità della pianificazione della dimissione e aiuta a valutare l'efficacia delle transizioni assistenziali. Perché è importante Contesto fondamentale per la pianificazione della dimissione e il rischio di riammissione. Dove reperirlo campi degli encounter athenahealth o cartelle cliniche di dimissione ospedaliera. Esempi DomicilioStruttura infermieristica qualificataTrasferito in ospedale per degenze breviDeceduto
	È una riammissione IsReadmission	Indicatore che segnala se questo episodio rappresenta un rientro non programmato.
Descrizione Indicatore booleano che identifica se il paziente è tornato in ospedale entro un periodo prestabilito, ad esempio 30 giorni, da una precedente dimissione. Supporta direttamente il KPI «Percentuale di riammissioni non programmate». Filtrando in base a questo attributo, gli analisti possono approfondire le cause alla radice delle riammissioni e individuare schemi ricorrenti nei percorsi di trattamento iniziali. Perché è importante Supporta direttamente il KPI del tasso di riammissione. Dove reperirlo Calcolato durante l'ETL confrontando la data di ammissione con la data della dimissione precedente. Esempi truefalse
	Fascia d'età del paziente PatientAgeGroup	Raggruppamento categoriale dell'età del paziente, ad esempio 18-25 o 65+.
Descrizione Segmenta i pazienti in coorti demografiche. È richiesto direttamente dal Dashboard 'Age Group & Diagnosis Journey Comparison'. Aiuta a individuare se le inefficienze di processo o gli esiti incidono in misura sproporzionata su specifiche fasce d'età, come gli anziani o i pazienti pediatrici. Perché è importante Segmento demografico standard per l'analisi dei processi sanitari. Dove reperirlo Derivato da Patient DOB e StartTime. Esempi 18-2930-4965+
	ID paziente PatientId	Un identificativo univoco del paziente, anonimizzato o sottoposto ad hashing.
Descrizione Identifica univocamente il cliente, ovvero il paziente, che percorre il processo. Sebbene sia simile all'identificativo del Case, uno stesso paziente può avere più episodi nel tempo. Viene utilizzato per collegare visite ripetute e analizzare i tassi di riammissione. È fondamentale per il KPI 'Percentage of Unscheduled Readmissions'. Perché è importante Necessario per monitorare le riammissioni e la storia del paziente nei diversi episodi. Dove reperirlo Campo 'patientid' di athenahealth. Esempi PAT-100234PAT-559201PAT-992210
	Nome del professionista ProviderName	Il nome del professionista sanitario che esegue l'attività.
Descrizione Identifica il medico, l'infermiere o il tecnico responsabile dell'evento. Questo attributo è centrale per l'analisi dell'utilizzo delle risorse. Consente di confrontare metriche di performance, come throughput e tempo di ciclo, tra diversi membri del personale, così da individuare esigenze formative o squilibri nel carico di lavoro. Perché è importante Fondamentale per il 'Resource Utilization Rate' e per l'analisi dei passaggi di consegne. Dove reperirlo 'providerid' di athenahealth risolto nel nome presente nella directory dei professionisti. Esempi Dott. SmithInfermiera JonesTecnico Adams
	Nome del reparto DepartmentName	Il reparto ospedaliero o della clinica in cui si è svolta l'attività.
Descrizione Segmenta i dati di processo per unità funzionale, come Pronto Soccorso, Cardiologia o Radiologia. È essenziale per il Dashboard 'Departmental Throughput & Handoffs'. L'analisi basata su questo attributo mette in evidenza i colli di bottiglia in aree specifiche e aiuta a ottimizzare il flusso dei pazienti tra i diversi reparti. Perché è importante Fondamentale per individuare i colli di bottiglia organizzativi e le inefficienze nei passaggi di consegne. Dove reperirlo 'departmentid' di athenahealth risolto nel nome del reparto. Esempi Pronto soccorsoMedicina internaRadiologia
	Ora di fine dell'evento EventEndTime	L'ora in cui l'attività specifica è stata completata.
Descrizione Registra l'ora di completamento di un'attività, consentendo di calcolare la durata effettiva, ovvero il tempo di elaborazione della fase, distinta dal tempo di attesa precedente. Viene utilizzato per analizzare l'efficienza delle risorse e individuare le attività che richiedono più tempo del previsto per essere eseguite manualmente. Perché è importante Consente di calcolare il tempo di elaborazione effettivo rispetto al tempo di attesa passivo. Dove reperirlo Ora del check-out, ora della verifica del risultato o timestamp specifici di completamento in athenahealth. Esempi 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Tipo di incontro EncounterType	La classificazione della visita, ad esempio visita ambulatoriale, telemedicina o emergenza.
Descrizione Definisce la modalità o il contesto dell'assistenza erogata. Nei modelli di dati generici funge da 'Case Type'. I diversi tipi di incontro presentano flussi attesi e requisiti di fatturazione differenti. Filtrare in base a questo attributo è essenziale per evitare confronti non omogenei nell'analisi dei tempi di ciclo. Perché è importante Distingue tra diverse varianti di processo, come telemedicina e visita in presenza. Dove reperirlo Campo 'encountertype' di athenahealth. Esempi Visita ambulatorialeTelemedicinaEmergenzaChirurgia
	È una rilavorazione IsRework	Indicatore che segnala se questa attività è una ripetizione.
Descrizione Indicatore booleano impostato su true se l'attività si è verificata più di una volta nello stesso caso. Supporta la Dashboard «Frequenza delle attività e cicli di rilavorazione». Consente di isolare immediatamente i casi che contengono rilavorazioni, facilitando il calcolo del KPI «Frequenza delle attività di rilavorazione». Perché è importante Identifica le inefficienze del processo e i passaggi ridondanti. Dove reperirlo Calcolato durante l'ETL in base al numero di occorrenze dell'attività per CaseId. Esempi truefalse
	Importo totale addebitato TotalChargeAmount	L'importo monetario addebitato per l'attività o l'episodio.
Descrizione Il valore finanziario associato all'attività o l'importo totale della richiesta di rimborso. Consente di svolgere attività di process mining basate sui costi e analisi dell'impatto finanziario. Utilizzato per individuare le varianti ad alto costo nei percorsi di trattamento e correlare l'efficienza del processo ai risultati finanziari. Perché è importante Aggiunge una dimensione finanziaria all'analisi del processo. Dove reperirlo Campo «amount» o «totalcharge» di athenahealth nelle tabelle delle richieste di rimborso o degli addebiti. Esempi 150.002500.5045.00
	Stato del risultato diagnostico DiagnosticResultStatus	Lo stato dell'esito di un ordine diagnostico, ad esempio Positivo o Normale.
Descrizione Acquisisce il risultato generale di un test. Fornisce il contesto per il «Tempo di attraversamento dei test diagnostici» e per le successive decisioni terapeutiche. Utilizzato per analizzare se i risultati anomali portano ad azioni successive più rapide rispetto ai risultati normali. Perché è importante Collega il flusso del processo agli esiti clinici. Dove reperirlo Campi di osservazione dei risultati di laboratorio di athenahealth. Esempi NormaleAnomaloCritico
	Stato della richiesta di rimborso ClaimStatus	Lo stato della richiesta di rimborso finanziario associata all'assistenza.
Descrizione Indica lo stato della richiesta di rimborso, ad esempio «Inviata», «Rifiutata» o «Pagata». È rilevante per l'attività «Richiesta di rimborso inviata» e per il throughput finanziario. Aiuta a identificare se i problemi nella documentazione clinica stanno causando ritardi finanziari nelle fasi successive. Perché è importante Collega l'efficienza clinica alle prestazioni del ciclo dei ricavi. Dove reperirlo Campo «claimstatus» di athenahealth. Esempi FATTURATOIN ATTESAABBANDONATO
	Tipo di ordine OrderType	Categoria dell'ordine, ad esempio laboratorio, imaging o prescrizione.
Descrizione Classifica gli ordini clinici inseriti durante l'episodio. È fondamentale per il Dashboard 'Diagnostic Testing Lead Time'. Consente agli analisti di misurare i tempi di attraversamento specificamente per gli esami di laboratorio e di imaging, che spesso presentano accordi sui livelli di servizio e colli di bottiglia differenti. Perché è importante Segmenta il processo diagnostico per un'analisi specifica dei tempi di attraversamento. Dove reperirlo 'ordertype' o 'class' di athenahealth nell'API degli ordini. Esempi LaboratorioDiagnostica per immaginiPrescrizioneProcedura

Obbligatorio Consigliato Facoltativo

Attività del percorso del paziente

Queste sono le fasi chiave e le tappe fondamentali del processo da acquisire nell’Event Log per una corretta individuazione del processo e ottimizzazione dell’esperienza del paziente.

7 Consigliato 8 Facoltativo

	Attività	Descrizione
	Diagnosi confermata	Un professionista clinico assegna o conferma ufficialmente la diagnosi relativa alla condizione del paziente per l'incontro in corso. L'evento può essere dedotto dal timestamp di creazione o di 'ultimo aggiornamento' del codice diagnostico principale, ad esempio ICD-10, associato all'incontro del paziente.
Perché è importante Questa è una tappa decisiva, poiché determina il successivo percorso terapeutico. Analizzare le variazioni nelle attività successive aiuta a comprendere e standardizzare i protocolli assistenziali. Dove reperirlo Deducibile dall'elenco dei problemi del paziente o dai dati diagnostici dell'incontro. Una modifica o la finalizzazione del codice diagnostico e il relativo timestamp segnalano questo evento. Acquisizione Rilevare il timestamp in cui la diagnosi principale dell'incontro viene aggiunta o aggiornata. Tipo di evento inferred
	Ordine di dimissione redatto	Un medico o un professionista autorizzato inserisce l'ordine ufficiale di dimissione del paziente. Si tratta di un evento esplicito, con timestamp, creato nel modulo CPOE dell'EHR.
Perché è importante Questa attività avvia il processo di dimissione. Il tempo che intercorre tra questo ordine e la dimissione effettiva è un indicatore chiave per il 'Discharge Planning Lead Time'. Dove reperirlo Si trova nella tabella degli ordini. L'evento è identificato da uno specifico tipo di ordine 'Discharge' e dal relativo timestamp di creazione. Acquisizione Nella tabella degli ordini viene creato un nuovo record con tipo di ordine 'Discharge'. Tipo di evento explicit
	Paziente dimesso	Il paziente è stato ufficialmente dimesso e la parte del percorso all'interno della struttura è completata. Questo è l'evento ADT finale per un incontro di degenza, acquisito con un timestamp preciso.
Perché è importante Questo evento segna la conclusione del percorso principale del paziente. Rappresenta il punto finale per misurare il 'Patient Journey Cycle Time' complessivo ed è essenziale per l'analisi delle riammissioni. Dove reperirlo Si tratta di un evento esplicito nel sistema ADT o nella tabella degli incontri del paziente, che indica lo stato finale dell'incontro come 'Discharged', insieme al relativo timestamp. Acquisizione Lo stato dell'incontro del paziente viene aggiornato a 'Discharged' e viene registrato un evento ADT. Tipo di evento explicit
	Paziente registrato all'arrivo	Questa attività indica l'arrivo del paziente e il check-in formale per l'appuntamento o la visita programmata. In genere viene acquisita come modifica esplicita dello stato del record dell'appuntamento in athenaClinicals o athenaCommunicator.
Perché è importante Questo rappresenta l'inizio effettivo del percorso del paziente all'interno della struttura. Costituisce un punto di partenza fondamentale per misurare i tempi di attesa e il tempo di ciclo complessivo dell'incontro clinico. Dove reperirlo Registrato come aggiornamento dello stato nelle tabelle degli appuntamenti o degli incontri. Occorre cercare lo stato 'Checked-In' e il relativo timestamp. Acquisizione Una modifica dello stato dell'oggetto appuntamento o incontro viene registrata con un timestamp. Tipo di evento explicit
	Procedura eseguita	Una procedura clinica, come un intervento chirurgico o una terapia specialistica, viene eseguita sul paziente. Si tratta di un evento esplicito acquisito nella documentazione clinica, spesso con orari di inizio e fine specifici registrati in una nota procedurale.
Perché è importante Le procedure rappresentano tappe significative del trattamento del paziente. Analizzare le attività precedenti e successive a una procedura aiuta a ottimizzare i Workflow preoperatori e postoperatori. Dove reperirlo Si trova nelle note procedurali o in specifici flowsheet clinici di athenaClinicals. Il timestamp dell'evento deriva dall'orario di inizio o di fine documentato per la procedura. Acquisizione Viene creato un registro o una nota procedurale contenente il timestamp dell'esecuzione della procedura. Tipo di evento explicit
	Risultati degli esami ricevuti	I risultati di un esame diagnostico vengono finalizzati e resi disponibili nella cartella del paziente. In genere questo evento viene acquisito quando il sistema di laboratorio o di imaging invia i risultati ad athenahealth, creando una voce con timestamp.
Perché è importante La ricezione dei risultati è un fattore determinante per le decisioni cliniche successive, come la diagnosi e la pianificazione del trattamento. Questo evento rappresenta il punto finale per la misurazione dei tempi di risposta diagnostica. Dove reperirlo Si trova nella tabella dei risultati o della diagnostica, collegato alla richiesta originale. L'evento è contrassegnato dal timestamp in cui il risultato è stato archiviato o ricevuto nella cartella del paziente. Acquisizione Viene creato un nuovo record del risultato con un timestamp, spesso tramite un'interfaccia proveniente da un LIS o da un RIS. Tipo di evento explicit
	Valutazione iniziale completata	Indica il completamento della prima valutazione clinica, ad esempio il triage o la valutazione infermieristica, durante la quale vengono registrati i parametri vitali e i sintomi principali. Spesso questo evento viene dedotto dal timestamp della prima nota clinica firmata o di un modulo di valutazione completato per l'incontro.
Perché è importante Questa tappa indica l'inizio dell'assistenza clinica. La durata tra il check-in e questa attività è un indicatore fondamentale del tempo di attesa iniziale del paziente e della reattività delle risorse. Dove reperirlo Deducibile dal timestamp di creazione o firma di specifici documenti clinici o flowsheet in athenaClinicals. È necessario identificare i tipi di documento pertinenti per il triage o l'accettazione. Acquisizione Individuare il primo timestamp di una nota clinica, di un flowsheet dei parametri vitali o di uno specifico modulo di accettazione relativo all'incontro. Tipo di evento inferred
	Appuntamento di follow-up programmato	Viene programmato un appuntamento di follow-up per il paziente dopo il trattamento principale o la dimissione. Questo evento viene acquisito esplicitamente quando nel modulo di pianificazione athenaCommunicator viene creato un nuovo appuntamento.
Perché è importante Questa attività è fondamentale per comprendere il coordinamento dell'assistenza post-dimissione e il suo impatto su risultati quali i tassi di riammissione. Dimostra la continuità assistenziale. Dove reperirlo Registrato nella tabella degli appuntamenti. L'evento è identificato dal timestamp di creazione di un appuntamento successivo alla data di dimissione. Acquisizione Nel sistema di pianificazione viene creato un nuovo record di appuntamento. Tipo di evento explicit
	Appuntamento programmato	Rappresenta la prenotazione di un appuntamento per un paziente. Questo evento viene acquisito esplicitamente quando un utente crea e conferma un nuovo appuntamento nel modulo di pianificazione di athenahealth, athenaCommunicator.
Perché è importante Questa attività rappresenta il punto di contatto iniziale per molti percorsi dei pazienti. Analizzare il tempo che intercorre tra la programmazione e il check-in aiuta a comprendere l'accesso dei pazienti e l'efficienza delle attività preliminari alla visita. Dove reperirlo Si tratta di un evento esplicito registrato nelle tabelle degli appuntamenti o della pianificazione. In genere è associato a un timestamp di creazione e a un ID paziente. Acquisizione L'evento viene registrato al momento della creazione di un record di appuntamento nel modulo di pianificazione. Tipo di evento explicit
	Campione prelevato	Rappresenta l'evento in cui viene prelevato dal paziente un campione biologico, come sangue o urina, per un esame di laboratorio. In genere è un evento esplicito registrato nel modulo di laboratorio o come aggiornamento dello stato dell'ordine.
Perché è importante Questa è una tappa fondamentale del processo diagnostico. Il tempo che intercorre tra la richiesta, il prelievo e la disponibilità dei risultati può rivelare colli di bottiglia significativi nei Workflow di laboratorio. Dove reperirlo Questo evento può essere individuato come modifica dello stato dell'ordine di laboratorio o come evento distinto in un sistema informativo di laboratorio integrato con athenahealth. Occorre cercare lo stato 'Collected' e il relativo timestamp. Acquisizione Registrato come aggiornamento dello stato dell'ordine di laboratorio o in un modulo dedicato al tracciamento dei campioni. Tipo di evento explicit
	Esame diagnostico prescritto	Un professionista sanitario inserisce la richiesta di un esame diagnostico, come un test di laboratorio, un esame di imaging o un'altra procedura. Si tratta di un evento esplicito, con timestamp, creato tramite la funzionalità CPOE (Computerized Provider Order Entry) di athenaClinicals.
Perché è importante Questo è un punto decisionale critico che avvia un sottoprocesso diagnostico. Il monitoraggio di questa attività è essenziale per analizzare il KPI 'Diagnostic Test Lead Time', dalla richiesta al risultato. Dove reperirlo Si trova nella tabella degli ordini. Ogni ordine contiene un identificativo del paziente, il nome dell'ordine, lo stato dell'ordine e un timestamp di creazione. Acquisizione Nel sistema viene creato un nuovo record nella tabella degli ordini, con il relativo timestamp. Tipo di evento explicit
	Farmaco somministrato	Un farmaco viene somministrato fisicamente al paziente dal personale clinico. L'operazione viene registrata esplicitamente nel modulo Medication Administration Record (MAR) di athenaClinicals, con un timestamp preciso per ogni dose.
Perché è importante Questa attività rappresenta un intervento terapeutico diretto. Analizzarne la tempistica aiuta a misurare il 'Time to First Treatment' e a garantire il rispetto dei programmi di somministrazione dei farmaci. Dove reperirlo Si trova nelle tabelle dei dati MAR. Ogni evento di somministrazione contiene un ID paziente, un ID farmaco, il dosaggio e il timestamp della somministrazione. Acquisizione Ogni volta che un farmaco viene documentato come somministrato, nel MAR viene creato un record con timestamp. Tipo di evento explicit
	Paziente trasferito	Il paziente viene trasferito da un'unità assistenziale o da un reparto a un altro, ad esempio dal Pronto Soccorso a un reparto di degenza. L'evento viene acquisito esplicitamente tramite un evento ADT (Admission, Discharge, Transfer) nell'EHR.
Perché è importante Questa attività è fondamentale per analizzare i passaggi di consegne tra reparti e il flusso dei pazienti all'interno della struttura. Aiuta a individuare i colli di bottiglia nel 'Patient Handoff Time' e nell'allocazione delle risorse. Dove reperirlo Registrato nell'Event Log ADT o nelle tabelle di tracciamento dei pazienti. Ogni evento di trasferimento include il paziente, le sedi di provenienza e destinazione e un timestamp. Acquisizione Al momento del trasferimento del paziente viene generato un messaggio ADT o una voce nell'Event Log, con il relativo timestamp. Tipo di evento explicit
	Piano terapeutico sviluppato	Rappresenta la creazione e la documentazione formale del piano terapeutico del paziente da parte di un professionista clinico. Può essere acquisito come creazione o firma di uno specifico documento 'Plan of Care' o di un insieme di ordini terapeutici correlati.
Perché è importante Questa attività formalizza il percorso clinico previsto. È un punto fondamentale per misurare la conformità ai protocolli standard e analizzare le variazioni nell'assistenza. Dove reperirlo Probabilmente si trova nelle tabelle dei documenti clinici o degli ordini. L'evento corrisponde al timestamp della nota del piano assistenziale firmata o dell'invio di un insieme coordinato di ordini terapeutici. Acquisizione L'evento corrisponde al timestamp di creazione o finalizzazione di uno specifico documento del piano terapeutico o di un insieme di ordini. Tipo di evento explicit
	Richiesta di rimborso inviata	Viene generata e inviata al pagatore una richiesta di rimborso per i servizi erogati durante l'incontro del paziente. Si tratta di un evento esplicito all'interno del modulo di gestione del ciclo attivo athenaCollector.
Perché è importante Pur trattandosi di una fase amministrativa, questa attività è fondamentale per analizzare il processo del ciclo attivo che si svolge parallelamente al percorso clinico. Aiuta a individuare i ritardi tra l'assistenza clinica e la fatturazione. Dove reperirlo Si trova nelle tabelle delle richieste di rimborso o della fatturazione. L'evento è contrassegnato dal timestamp di creazione o invio della richiesta. Acquisizione Viene creato un record della richiesta di rimborso e il relativo stato viene aggiornato a 'Submitted', con un timestamp. Tipo di evento explicit

Consigliato Facoltativo

Guide all'estrazione

Come ottenere i Suoi dati da athenahealth

Passaggi

Acceda al portale athenaNet utilizzando le Sue credenziali sicure.
Acceda al modulo Reports dal menu principale, generalmente disponibile in 'Reports' > 'Report Builder' o 'Custom Reports'.
Faccia clic su 'Create New Report' e selezioni 'Encounters' o 'Patient Visit' come categoria principale del report. In questo modo i dati granulari saranno incentrati sullo specifico episodio del paziente.
Nell'area di selezione 'Columns' o 'Fields', cerchi e aggiunga Patient Identifier (Patient ID) ed Encounter Identifier (Encounter ID), da utilizzare come Case Identifier.
Aggiunga le colonne demografiche e di contesto necessarie per gli attributi, ad esempio Department, Provider Name, Patient Age e Primary Diagnosis Code.
Aggiunga le colonne timestamp specifiche associate alle attività. Potrebbe essere necessario consultare gruppi di campi diversi, ad esempio 'Scheduling' per Appointment Scheduled, 'Check-in' per Check-in Time e 'Billing' per Claim Submitted. Ove disponibile, selezioni il formato 'Date and Time' anziché il solo formato Date.
Applichi i filtri alla configurazione del report. Imposti l'intervallo 'Encounter Date' in base al periodo di analisi desiderato, ad esempio Last 6 Months, ed escluda gli appuntamenti 'Cancelled' o 'No Show' per concentrarsi sui percorsi completati.
Faccia clic su 'Run Report' per visualizzare un'anteprima dei dati. Verifichi che le colonne contengano dati e non siano interamente nulle.
Selezioni l'opzione 'Export' e scelga 'CSV' (Comma Separated Values) come formato. Non utilizzi le funzioni di formattazione Excel/XLSX, poiché complicano l'elaborazione.
Salvi localmente il file con il nome 'athena_raw_export.csv'.
Poiché il report esporta una riga per encounter con più colonne di data, in formato wide, è necessario ristrutturarlo in un event log, in formato long. Utilizzi lo script Python fornito nella sezione Query per eseguire questa trasformazione.
Esegua lo script per generare il file finale 'process_mining_event_log.csv' e carichi il file in ProcessMind.

Configurazione

Report Category: scelga 'Encounter Activity' o 'Clinicals' come categoria di base, così da acquisire la maggior parte delle fasi del workflow clinico.
Date Range: limiti l'estrazione iniziale a 3-6 mesi per evitare timeout del report o limiti sul numero di righe, generalmente fissati intorno a 50.000 righe nelle viste standard.
Column Selection: verifichi che siano selezionati campi timestamp espliciti. Eviti i campi calcolati, come 'Days since check-in', preferendo 'Check-in Date/Time' assoluto.
Null Handling: configuri il report affinché visualizzi celle vuote per i dati mancanti, anziché testi personalizzati come 'N/A', così da semplificare l'elaborazione tramite script.
Department Filtering: se l'organizzazione è di grandi dimensioni, filtri per specifiche Service Locations o Departments, ad esempio 'Cardiology' o 'Orthopedics', per mantenere il dataset focalizzato.
Permissions: l'utente deve disporre delle autorizzazioni 'Report Creator' o 'Clinical Reporting' in athenaNet per accedere al Custom Report Builder.

a Query di esempio 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}")

Passaggi

Register API Application: acceda all'athenahealth Developer Portal e registri una nuova applicazione per ottenere il Client ID e il Client Secret. Verifichi che l'applicazione disponga degli scope per Appointments, Clinicals (Charts), Orders e Billing (Claims).
Configure Python Environment: installi le librerie Python necessarie, requests e pandas, nell'ambiente di esecuzione utilizzando pip install requests pandas.
Authenticate: implementi il flusso OAuth 2.0 Client Credentials per recuperare un access token. Il token deve essere incluso nell'header Authorization, come Bearer token, di tutte le chiamate API successive.
Define Scope: imposti il Practice ID e l'intervallo di date per l'estrazione. Le API Athenahealth sono specifiche per practice, pertanto, se gestisce più practice, dovrà iterare sui relativi Practice ID.
Extract Appointments: interroghi l'endpoint /appointments/booked o /appointments/changed per recuperare gli encounter di base. Mappi l'appointment ID su PatientEpisodeId. Estragga 'Appointment Scheduled' dalla data di creazione e 'Patient Checked In' dall'orario di check-in.
Iterate Encounters for Clinical Events: per ogni appointment ID, ovvero encounter, interroghi i sotto-endpoint clinici. Chiami /chart/{encounterId}/vitals per 'Initial Assessment Completed'. Chiami /chart/{encounterId}/orders per 'Diagnostic Test Ordered', 'Specimen Collected', in base allo status, e 'Discharge Order Written'.
Retrieve Results and Diagnoses: interroghi /chart/{encounterId}/analyteresults o /chart/{encounterId}/labresults per 'Test Results Received'. Interroghi /chart/{encounterId}/diagnoses per 'Diagnosis Confirmed'.
Extract Treatments and Procedures: interroghi /chart/{encounterId}/plan per 'Treatment Plan Developed'. Interroghi /chart/{encounterId}/procedures per 'Procedure Performed'. Interroghi /chart/{encounterId}/medications/admin per 'Medication Administered'.
Identify ADT and Claims: utilizzi lo storico dello status dell'appuntamento o specifici endpoint ospedalieri, se disponibili, per acquisire 'Patient Transferred' e 'Patient Discharged'. Interroghi /claims correlate all'appuntamento per estrarre 'Claim Submitted'.
Link Follow-ups: individui 'Follow-Up Appointment Scheduled' cercando gli appuntamenti successivi creati per lo stesso patient ID nell'intervallo temporale dell'encounter.
Transform and Flatten: analizzi le risposte JSON annidate e le trasformi in un elenco piatto di dizionari di eventi. Converta tutti i timestamp nel formato ISO 8601. Mappi i campi su ActivityName, PatientEpisodeId ed EventTimestamp.
Export Data: carichi l'elenco di dizionari in un pandas DataFrame, esegua la pulizia finale, inclusa la gestione dei valori nulli, ed esporti i dati in un file CSV pronto per l'acquisizione in ProcessMind.

Configurazione

API Credentials: sono necessari un Client ID e un Secret validi ottenuti dall'athenahealth Developer Portal, con accesso all'ambiente di produzione.
Practice ID: identificativo numerico univoco del contesto della practice medica. Se l'estrazione riguarda una rete, lo script deve essere eseguito per ogni practice.
Date Range: l'intervallo di estrazione consigliato è compreso tra 3 e 6 mesi, considerato il volume dei dati clinici granulari.
Rate Limiting: l'API athenaOne applica limiti rigorosi, ad esempio 5 chiamate al secondo. Lo script include una funzione sleep, ma per estrazioni su scala enterprise è opportuno implementare un exponential backoff.
Scopes: verifichi che il token disponga degli scope athena/service/Athenanet.MDP.* o di scope granulari specifici per appuntamenti, cartelle cliniche e dati finanziari.
Pagination: la maggior parte degli endpoint restituisce un numero limitato di record, con un valore predefinito di 1000. Lo script deve gestire i parametri next o offset.
Department Filtering: se analizza flussi specifici, ad esempio Emergency e Outpatient, filtri per department ID durante il recupero degli appuntamenti.

a Query di esempio 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()

È pronto per iniziare?

Intraprenda il percorso verso un'assistenza ai pazienti ottimizzata. Questo Template rappresenta il primo passo per ottenere informazioni preziose e migliorare gli esiti dell'assistenza sanitaria.

Torna alla guida al miglioramento Scarica il Template

Ottimizzi subito il percorso del paziente ed elimini i colli di bottiglia

Individui con precisione le inefficienze in athenahealth e riduca del 30% il tempo di ciclo del percorso del paziente.

Inizi la prova gratuita

Non è richiesta alcuna carta di credito. Inizi oggi stesso a ottimizzare i Suoi processi.

Il Suo Template per i dati del percorso del paziente

Il Suo Template per i dati del percorso del paziente

Attributi del percorso del paziente

Attività del percorso del paziente

Guide all'estrazione

Esportazione CSV personalizzata con athenaNet Report Builder

Passaggi

Configurazione

a Query di esempio python

Estrazione degli eventi dall'API athenaOne con Python

Passaggi

Configurazione

a Query di esempio python

È pronto per iniziare?

Ottimizzi subito il percorso del paziente ed elimini i colli di bottiglia

Il Suo Template per i dati del percorso del paziente

Il Suo Template per i dati del percorso del paziente

Attributi del percorso del paziente

Attività del percorso del paziente

Guide all'estrazione

Esportazione CSV personalizzata con athenaNet Report Builder

Passaggi

Configurazione

a Query di esempio python

Estrazione degli eventi dall'API athenaOne con Python

Passaggi

Configurazione

a Query di esempio python

È pronto per iniziare?

Ottimizzi subito il percorso del paziente ed elimini i colli di bottiglia

La Sua privacy è importante