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

Il template dei dati per il percorso del paziente

athenahealth

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

Il template dei dati per il percorso del paziente

Questo template fornisce indicazioni complete per raccogliere i dati necessari ad analizzare il percorso del paziente. Descrive gli attributi e le attività essenziali da monitorare e spiega chiaramente come estrarre queste informazioni da athenahealth. Utilizzi questa risorsa per preparare i dati all’analisi con il Process Mining.

Attributi consigliati da raccogliere
Attività principali 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, indispensabili per analizzare e comprendere a fondo i percorsi dei pazienti.

5 Obbligatorio 9 Consigliato 5 Facoltativo

	Nome	Descrizione
	Data e ora dell’evento EventTimestamp	Data e ora esatte in cui si è svolta l’attività.
Descrizione Registra il momento esatto in cui si è svolta un’attività. Consente di ordinare gli eventi cronologicamente e di calcolare la durata tra un passaggio e l’altro. È fondamentale per le analisi basate sul tempo, inclusi i tempi di ciclo, i tempi di attesa e l’analisi della produttività. È preferibile utilizzare 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 reperirli Campi data e ora associati alle modifiche di stato o alle date di creazione nelle tabelle di athenahealth. Esempi 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Episodio del paziente PatientEpisodeId	Identificativo univoco dello specifico episodio o percorso del paziente.
Descrizione Questo attributo funge da identificativo centrale del caso e raggruppa 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. Fa sì che le visite dello stesso paziente relative a condizioni diverse siano considerate istanze di processo distinte. Perché è importante Essenziale per definire l’ambito di una singola istanza di processo nell’analisi. Dove reperirli Ricavato raggruppando gli ID delle visite oppure associato a uno specifico ID dell’episodio di assistenza in athenahealth. Esempi EP-2023-88491EP-2023-99102ENC-55412-GRP
	Nome dell’attività ActivityName	Nome dell’evento o dell’attività svolta durante il percorso del paziente.
Descrizione Indica il passaggio specifico del processo, ad esempio 'Paziente accettato', 'Esame diagnostico richiesto' o 'Farmaco somministrato'. Questa stringa di testo definisce i nodi della mappa del processo. Viene utilizzata per visualizzare il flusso del processo e individuare la sequenza delle operazioni. La standardizzazione dei nomi è fondamentale per ottenere una mappa del processo leggibile e priva di raggruppamenti automatici. Perché è importante Definisce i passaggi della mappa del processo ed è indispensabile per qualsiasi attività di Process Mining. Dove reperirli Ricavato dai registri di audit, dalle modifiche allo stato degli appuntamenti o dalle descrizioni delle voci delle richieste di rimborso. Esempi Appuntamento fissatoPaziente registrato all’arrivoEsame diagnostico richiestoPaziente dimesso
	Sistema di origine SourceSystem	Nome del sistema da cui provengono i dati.
Descrizione Identifica il sistema IT che ha generato il record, in questo caso 'athenahealth'. È particolarmente utile negli ambienti con più sistemi, in cui i dati possono provenire da fonti diverse. Consente agli analisti di filtrare la visualizzazione in base all’origine dei dati e di risolvere i problemi di qualità dei dati specifici di un sistema. Perché è importante Fornisce informazioni sulla provenienza dei dati e sul contesto nelle configurazioni di Process Mining che coinvolgono più sistemi. Dove reperirli Valore letterale codificato o ID di configurazione del sistema. Esempi athenahealthAthenaOneAthenaPractice
	Ultimo aggiornamento dei dati LastDataUpdate	Data e ora dell’ultima estrazione o aggiornamento dei dati.
Descrizione Indica quanto sono aggiornati i dati utilizzati nell’analisi. Aiuta a capire se si stanno consultando dati in tempo reale o un’istantanea storica. Viene utilizzato per gestire le pipeline dei dati e garantire che le Dashboard riflettano lo stato più aggiornato del processo. Perché è importante Fondamentale per la governance dei dati e per garantire che gli utenti possano fidarsi dell’aggiornamento della Dashboard. Dove reperirli Ora di sistema al momento dell’esecuzione dell’ETL. Esempi 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Codice della diagnosi principale PrimaryDiagnosisCode	Codice ICD-10 principale associato all’episodio.
Descrizione Classifica il motivo clinico del percorso del paziente e fornisce il contesto necessario per la 'Comparazione dei percorsi per fascia d’età e diagnosi'. Gli analisti lo utilizzano per suddividere i percorsi in base alla condizione, ad esempio polmonite o frattura, poiché le condizioni possono comportare percorsi e tempi di ciclo molto diversi. Perché è importante Consente di confrontare casi simili, poiché i tempi di ciclo possono variare notevolmente in base alla diagnosi. Dove reperirli Campi relativi alla diagnosi della visita o della richiesta di rimborso (ICD-10). Esempi J18.9I10E11.9
	Destinazione alla dimissione DischargeDisposition	Destinazione o stato del paziente al momento della dimissione.
Descrizione Indica dove è stato trasferito il paziente dopo l’episodio, ad esempio a domicilio, in una struttura di assistenza infermieristica o in hospice. È essenziale per analizzare la 'Pianificazione delle dimissioni e le tendenze delle riammissioni'. Fornisce informazioni sulla complessità della pianificazione delle dimissioni e aiuta a valutare l’efficacia delle transizioni assistenziali. Perché è importante Contesto fondamentale per pianificare le dimissioni e valutare il rischio di riammissione. Dove reperirli Campi della visita in athenahealth o registri di dimissione ospedaliera. Esempi DomicilioStruttura di assistenza infermieristicaTrasferito in un ospedale per degenze breviDeceduto
	È una riammissione IsReadmission	Indicatore che segnala se l’episodio corrisponde a un rientro non programmato.
Descrizione Indicatore booleano che segnala se il paziente è tornato in ospedale entro un periodo prestabilito, ad esempio 30 giorni, da una dimissione precedente. Supporta direttamente il KPI 'Percentuale di riammissioni non programmate'. Filtrando in base a questo attributo, gli analisti possono scendere di livello per individuare le cause profonde delle riammissioni e riconoscere schemi ricorrenti nei percorsi di trattamento iniziali. Perché è importante Supporta direttamente il KPI del tasso di riammissione. Dove reperirli Calcolato durante l’ETL confrontando la data di ricovero con quella della dimissione precedente. Esempi truefalse
	Fascia d’età del paziente PatientAgeGroup	Raggruppamento per fascia d’età del paziente, ad esempio 18-25 o 65+.
Descrizione Suddivide i pazienti in gruppi demografici. È un dato necessario per la Dashboard 'Comparazione dei percorsi per fascia d’età e diagnosi'. Aiuta a individuare se le inefficienze del 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 reperirli Ricavato dalla data di nascita del paziente e da StartTime. Esempi 18-2930-4965+
	ID del paziente PatientId	Identificativo univoco del paziente, anonimizzato o sottoposto a hash.
Descrizione Identifica in modo univoco il paziente che compie il percorso. A differenza dell’identificativo del caso, lo stesso paziente può avere più episodi nel tempo. Viene utilizzato per collegare le visite ripetute e analizzare i tassi di riammissione. È fondamentale per il KPI 'Percentuale di riammissioni non programmate'. Perché è importante Necessario per monitorare le riammissioni e la storia clinica del paziente nei diversi episodi. Dove reperirli Campo 'patientid' di athenahealth. Esempi PAT-100234PAT-559201PAT-992210
	Nome del professionista sanitario ProviderName	Nome del professionista sanitario che svolge l’attività.
Descrizione Identifica il medico, l’infermiere o il tecnico responsabile dell’evento. Questo attributo è fondamentale per analizzare l’utilizzo delle risorse. Consente di confrontare le metriche di prestazione, come la produttività e il tempo di ciclo, tra i diversi membri del personale, così da individuare esigenze formative o squilibri nei carichi di lavoro. Perché è importante È fondamentale per il 'Tasso di utilizzo delle risorse' e per analizzare i passaggi di consegne. Dove reperirli Il valore 'providerid' di athenahealth viene associato al nome del professionista presente nell’elenco dei fornitori. Esempi Dott. SmithInfermiera JonesTecnico Adams
	Nome del reparto DepartmentName	Reparto dell’ospedale o della clinica in cui si è svolta l’attività.
Descrizione Suddivide i dati del processo per unità funzionale, ad esempio pronto soccorso, cardiologia o radiologia. È essenziale per la Dashboard 'Produttività e passaggi di consegne tra reparti'. L’analisi di questo attributo mette in evidenza i colli di bottiglia in aree specifiche e aiuta a ottimizzare il flusso dei pazienti tra i reparti. Perché è importante Fondamentale per individuare i colli di bottiglia organizzativi e le inefficienze nei passaggi di consegne. Dove reperirli Il valore 'departmentid' di athenahealth viene associato al nome del reparto. Esempi Pronto soccorsoMedicina internaRadiologia
	Ora di fine dell’evento EventEndTime	Ora in cui è stata completata l’attività specifica.
Descrizione Registra l’ora di completamento di un’attività e consente di calcolare la durata effettiva della sua esecuzione (tempo di elaborazione), distinta dal tempo di attesa precedente. Viene utilizzata per analizzare l’efficienza delle risorse e individuare le attività che richiedono più tempo del previsto per essere svolte manualmente. Perché è importante Consente di calcolare il tempo effettivo di elaborazione e distinguerlo dal tempo di attesa. Dove reperirli Ora di uscita, ora di verifica del risultato o specifiche date e ore di completamento in athenahealth. Esempi 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Tipo di visita EncounterType	Classificazione della visita, ad esempio ambulatoriale, telemedicina o pronto soccorso.
Descrizione Definisce la modalità o il contesto dell’assistenza fornita. Nei modelli di dati generici corrisponde al 'tipo di caso'. I diversi tipi di visita prevedono flussi e requisiti di fatturazione differenti. Filtrare in base a questo attributo è essenziale per confrontare casi omogenei nell’analisi dei tempi di ciclo. Perché è importante Distingue le diverse varianti del processo, ad esempio la telemedicina dalle visite in presenza. Dove reperirli Campo 'encountertype' di athenahealth. Esempi Visita ambulatorialeTelemedicinaPronto soccorsoIntervento chirurgico
	È una rilavorazione IsRework	Indicatore che segnala se l’attività è una ripetizione.
Descrizione Indicatore booleano impostato su vero 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 subito i casi che includono rilavorazioni e facilita il calcolo del KPI 'Frequenza delle attività di rilavorazione'. Perché è importante Individua le inefficienze del processo e i passaggi ridondanti. Dove reperirli Calcolato durante l’ETL in base al numero di occorrenze dell’attività per CaseId. Esempi truefalse
	Importo totale degli addebiti TotalChargeAmount	Importo addebitato per l’attività o l’episodio.
Descrizione Valore economico associato all’attività o importo totale della richiesta di rimborso. Consente di svolgere analisi dei processi basate sui costi e di valutarne l’impatto finanziario. Viene utilizzato per individuare le varianti dei percorsi di trattamento con costi elevati e correlare l’efficienza del processo ai risultati finanziari. Perché è importante Aggiunge una dimensione finanziaria all’analisi del processo. Dove reperirli 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	Esito di una richiesta di esame diagnostico, ad esempio positivo o nella norma.
Descrizione Registra l’esito generale di un esame. Fornisce un contesto utile per la Dashboard 'Tempo di attraversamento degli esami diagnostici' e per le successive decisioni terapeutiche. Viene utilizzato per analizzare se i risultati anomali portano ad azioni successive più rapide rispetto ai risultati nella norma. Perché è importante Collega il flusso del processo agli esiti clinici. Dove reperirli Campi di osservazione dei risultati di laboratorio in athenahealth. Esempi Nella normaAnomaloCritico
	Stato della richiesta di rimborso ClaimStatus	Stato della richiesta di rimborso relativa all’assistenza.
Descrizione Indica lo stato della richiesta di rimborso, ad esempio 'Inviata', 'Respinta' o 'Pagata'. È rilevante per l’attività 'Richiesta di rimborso inviata' e per la produttività finanziaria. Aiuta a individuare se problemi nella documentazione clinica causano ritardi nelle fasi successive del ciclo finanziario. Perché è importante Collega l’efficienza clinica ai risultati del ciclo dei ricavi. Dove reperirli Campo 'claimstatus' di athenahealth. Esempi FATTURATAIN SOSPESOINOLTRATA
	Tipo di richiesta OrderType	Categoria della richiesta, ad esempio analisi, esame diagnostico per immagini o prescrizione.
Descrizione Classifica le richieste cliniche inserite durante l’episodio. È fondamentale per la Dashboard 'Tempo di attraversamento degli esami diagnostici'. Consente agli analisti di misurare separatamente i tempi di attraversamento delle analisi e degli esami diagnostici per immagini, che spesso hanno accordi sui livelli di servizio e colli di bottiglia diversi. Perché è importante Suddivide il processo diagnostico per analizzare i tempi di attraversamento specifici. Dove reperirli Campo 'ordertype' o 'class' di athenahealth nell’API degli ordini. Esempi AnalisiEsame diagnostico per immaginiPrescrizioneProcedura

Obbligatorio Consigliato Facoltativo

Attività del percorso del paziente

Questi sono i passaggi e le tappe fondamentali del processo da registrare nell’Event Log per ricostruire e ottimizzare con precisione l’esperienza del paziente.

7 Consigliato 8 Facoltativo

	Attività	Descrizione
	Diagnosi confermata	Un professionista sanitario assegna o conferma ufficialmente la diagnosi relativa alla condizione del paziente per l’incontro in corso. L’evento può essere dedotto dalla marca temporale di creazione o dell’ultimo aggiornamento del codice della diagnosi principale, ad esempio ICD-10, associato all’incontro.
Perché è importante È una tappa decisiva che determina il successivo percorso terapeutico. Analizzare le variazioni delle attività successive aiuta a comprendere e standardizzare i protocolli di assistenza. Dove reperirli L’evento viene dedotto dall’elenco dei problemi del paziente o dai dati diagnostici dell’incontro. Una modifica o la finalizzazione del codice diagnostico e la relativa marca temporale segnalano l’evento. Acquisizione Individui la marca temporale in cui la diagnosi principale dell’incontro viene aggiunta o aggiornata. Tipo di evento inferred
	Ordine di dimissione inserito	Un medico o un professionista sanitario autorizzato inserisce l’ordine ufficiale di dimissione del paziente. L’evento esplicito, con relativa marca temporale, viene creato nel modulo CPOE della cartella clinica elettronica.
Perché è importante Questa attività avvia il processo di dimissione. Il tempo che intercorre tra l’ordine e la dimissione effettiva è un indicatore chiave del 'Tempo di attraversamento della pianificazione delle dimissioni'. Dove reperirli Si trova nella tabella degli ordini. L’evento è identificato dal tipo di ordine specifico 'Discharge' e dalla relativa marca temporale 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 che si svolge nella struttura è conclusa. È l’ultimo evento ADT di un incontro di degenza ed è registrato con una marca temporale precisa.
Perché è importante Questo evento segna la fine del percorso principale del paziente. È il punto finale per misurare il 'Tempo di ciclo del percorso del paziente' ed è essenziale per analizzare i nuovi ricoveri. Dove reperirli È un evento esplicito nel sistema ADT o nella tabella degli incontri del paziente, che contrassegna lo stato finale dell’incontro come 'Discharged' e include una marca temporale. 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 la registrazione formale per l’appuntamento o la visita programmata. In genere viene acquisita come modifica esplicita dello stato dell’appuntamento in athenaClinicals o athenaCommunicator.
Perché è importante Segna l’inizio effettivo del percorso del paziente presso la struttura. È un riferimento fondamentale per misurare i tempi di attesa e il tempo di ciclo complessivo della visita clinica. Dove reperirli Viene registrato come aggiornamento dello stato nelle tabelle degli appuntamenti o degli incontri clinici. Cerchi lo stato 'Checked-In' e la relativa marca temporale. Acquisizione La modifica dello stato dell’appuntamento o dell’incontro clinico viene registrata con una marca temporale. Tipo di evento explicit
	Procedura eseguita	Al paziente viene eseguita una procedura clinica, ad esempio un intervento chirurgico o una terapia specialistica. L’evento viene registrato esplicitamente nella documentazione clinica, spesso con orari di inizio e fine indicati in una nota della procedura.
Perché è importante Le procedure sono tappe importanti del trattamento del paziente. Analizzare le attività precedenti e successive a una procedura aiuta a ottimizzare i flussi di lavoro preoperatori e postoperatori. Dove reperirli Si trova nelle note della procedura o in specifici fogli di flusso clinici di athenaClinicals. La marca temporale dell’evento deriva dall’orario di inizio o di fine documentato per la procedura. Acquisizione Viene creata una nota o un registro della procedura con la marca temporale in cui è stata eseguita. Tipo di evento explicit
	Risultati degli esami ricevuti	I risultati di un esame diagnostico vengono finalizzati e resi disponibili nella cartella del paziente. Di solito l’evento viene registrato quando il sistema di laboratorio o di diagnostica per immagini invia i risultati ad athenahealth, creando una voce con marca temporale.
Perché è importante La ricezione dei risultati è un passaggio fondamentale per le successive decisioni cliniche, come la diagnosi e la pianificazione delle cure. Questo evento segna il termine del tempo di elaborazione diagnostica. Dove reperirli Si trova nella tabella dei risultati o della diagnostica ed è collegato alla richiesta originale. L’evento è contrassegnato dalla marca temporale in cui il risultato è stato archiviato o ricevuto nella cartella del paziente. Acquisizione Viene creato un nuovo record del risultato con una marca temporale, spesso tramite un’interfaccia con un LIS o 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 l’evento viene dedotto dalla marca temporale della prima nota clinica firmata o del modulo di valutazione completato per l’incontro.
Perché è importante Questa tappa segna l’inizio dell’assistenza clinica. Il tempo che intercorre tra la registrazione dell’arrivo e questa attività è un indicatore importante dell’attesa iniziale del paziente e della tempestività nell’impiego delle risorse. Dove reperirli L’evento viene dedotto dalla marca temporale di creazione o firma di specifici documenti clinici o fogli di flusso in athenaClinicals. Occorre identificare i tipi di documento pertinenti al triage o all’accettazione. Acquisizione Individui la prima marca temporale presente in una nota clinica, in un foglio di flusso dei parametri vitali o in un modulo di accettazione specifico dell’incontro. Tipo di evento inferred
	Appuntamento di controllo fissato	Dopo il trattamento principale o la dimissione, viene fissato un appuntamento di controllo per il paziente. L’evento viene registrato esplicitamente quando si crea un nuovo appuntamento nel modulo di pianificazione athenaCommunicator.
Perché è importante Questa attività è importante per comprendere il coordinamento delle cure dopo la dimissione e il suo impatto su risultati come il tasso di nuovi ricoveri. Indica la continuità dell’assistenza. Dove reperirli Viene registrato nella tabella degli appuntamenti. L’evento è identificato dalla marca temporale di creazione di un appuntamento successivo alla data di dimissione. Acquisizione Nel sistema di pianificazione viene creato un nuovo record dell’appuntamento. Tipo di evento explicit
	Appuntamento fissato	Indica la prenotazione di un appuntamento per un paziente. L’evento viene registrato esplicitamente quando un utente crea e conferma un nuovo appuntamento nel modulo di pianificazione athenaCommunicator di athenahealth.
Perché è importante Per molti pazienti, questa attività segna l’inizio del percorso. Analizzare il tempo che intercorre tra la prenotazione e la registrazione dell’arrivo aiuta a comprendere l’accesso alle cure e l’efficienza delle attività precedenti alla visita. Dove reperirli È un evento esplicito registrato nelle tabelle degli appuntamenti o della pianificazione. In genere è associato a una marca temporale di creazione e all’ID del paziente. Acquisizione L’evento viene registrato quando si crea un appuntamento nel modulo di pianificazione. Tipo di evento explicit
	Campione prelevato	Indica il prelievo di un campione biologico, ad esempio sangue o urina, per un esame di laboratorio. In genere viene registrato esplicitamente nel modulo di laboratorio o come aggiornamento dello stato dell’ordine.
Perché è importante È una tappa importante del processo diagnostico. Il tempo che intercorre tra la richiesta, il prelievo e la disponibilità dei risultati può rivelare colli di bottiglia significativi nei flussi di lavoro del laboratorio. Dove reperirli L’evento può essere individuato come modifica dello stato dell’ordine di laboratorio o come evento distinto in un sistema informativo di laboratorio collegato ad athenahealth. Cerchi lo stato 'Collected' e la relativa marca temporale. Acquisizione Viene registrato come aggiornamento dello stato dell’ordine di laboratorio o in un modulo dedicato al tracciamento dei campioni. Tipo di evento explicit
	Esame diagnostico richiesto	Un operatore sanitario richiede un esame diagnostico, ad esempio un’analisi di laboratorio, un esame di diagnostica per immagini o un’altra procedura. L’evento esplicito, con relativa marca temporale, viene creato tramite la funzionalità CPOE (Computerized Provider Order Entry) di athenaClinicals.
Perché è importante È un punto decisionale fondamentale che avvia un sottoprocesso diagnostico. Monitorare questa attività è essenziale per analizzare il KPI 'Tempo di attraversamento dell’esame diagnostico', dalla richiesta al risultato. Dove reperirli Si trova nella tabella degli ordini. Ogni ordine include un identificativo del paziente, il nome e lo stato dell’ordine e una marca temporale di creazione. Acquisizione Nel sistema viene creato un nuovo record nella tabella degli ordini, con la relativa marca temporale. Tipo di evento explicit
	Farmaco somministrato	Il personale clinico somministra fisicamente un farmaco al paziente. La somministrazione viene registrata esplicitamente nel modulo Medication Administration Record (MAR) di athenaClinicals, con una marca temporale precisa per ogni dose.
Perché è importante Questa attività rappresenta un intervento terapeutico diretto. Analizzarne la tempistica aiuta a misurare il 'Tempo alla prima terapia' e a verificare il rispetto degli orari di somministrazione. Dove reperirli Si trova nelle tabelle dei dati MAR. Ogni evento di somministrazione include l’ID del paziente, l’ID del farmaco, il dosaggio e la marca temporale della somministrazione. Acquisizione Ogni volta che viene registrata la somministrazione di un farmaco, nel MAR viene creato un record con marca temporale. Tipo di evento explicit
	Paziente trasferito	Il paziente viene trasferito da un’unità di assistenza o da un reparto a un altro, ad esempio dal pronto soccorso a un reparto di degenza. Il trasferimento viene registrato esplicitamente tramite un evento ADT (Admission, Discharge, Transfer) nella cartella clinica elettronica.
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 'Tempo di passaggio di consegne del paziente' e nell’allocazione delle risorse. Dove reperirli Viene registrato nell’Event Log ADT o nelle tabelle di tracciamento dei pazienti. Ogni evento di trasferimento include il paziente, la sede di provenienza e quella di destinazione e una marca temporale. Acquisizione Al momento del trasferimento del paziente viene generato un messaggio ADT o una voce nell’Event Log con una marca temporale. Tipo di evento explicit
	Piano terapeutico elaborato	Indica la creazione formale e la documentazione del piano terapeutico del paziente da parte di un professionista sanitario. Può essere registrato come creazione o firma di un documento specifico 'Plan of Care' o di un insieme di ordini terapeutici correlati.
Perché è importante Questa attività formalizza il percorso clinico previsto. È un riferimento importante per misurare la conformità ai protocolli standard e analizzare le variazioni nell’assistenza. Dove reperirli Probabilmente si trova nelle tabelle dei documenti clinici o degli ordini. L’evento corrisponde alla marca temporale della firma di una nota del piano di assistenza o dell’invio coordinato di un insieme di ordini terapeutici. Acquisizione L’evento corrisponde alla marca temporale di creazione o finalizzazione di un documento specifico del piano terapeutico o di un insieme di ordini. Tipo di evento explicit
	Richiesta di rimborso inviata	Viene generata e inviata all’ente pagatore una richiesta di rimborso per i servizi prestati durante l’incontro del paziente. L’evento è registrato esplicitamente nel modulo di gestione del ciclo dei ricavi athenaCollector.
Perché è importante Pur essendo un’attività amministrativa, questo passaggio è fondamentale per analizzare il ciclo dei ricavi, che procede in parallelo al percorso clinico. Aiuta a individuare i ritardi tra l’assistenza clinica e la fatturazione. Dove reperirli Si trova nelle tabelle delle richieste di rimborso o di fatturazione. L’evento è contrassegnato dalla data e ora di creazione o invio della richiesta. Acquisizione Viene creato un record della richiesta di rimborso e il relativo stato viene aggiornato a 'Inviata' con data e ora. Tipo di evento explicit

Consigliato Facoltativo

Guide all’estrazione

Come ottenere i dati da athenahealth

Passaggi

Acceda al portale athenaNet con le Sue credenziali sicure.
Dal menu principale, apra il modulo Reports, in genere 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 dettagliati saranno riferiti allo specifico episodio del paziente.
Nell’area di selezione 'Columns' o 'Fields', cerchi e aggiunga Patient Identifier (Patient ID) ed Encounter Identifier (Encounter ID) da usare come identificativo del caso.
Aggiunga le colonne demografiche e contestuali necessarie per gli attributi, ad esempio Department, Provider Name, Patient Age e Primary Diagnosis Code.
Aggiunga le colonne con data e ora corrispondenti alle attività. Potrebbe essere necessario cercare in gruppi di campi diversi, ad esempio 'Scheduling' per Appointment Scheduled, 'Check-in' per Check-in Time e 'Billing' per Claim Submitted. Quando disponibile, selezioni il formato 'Date and Time', non il solo formato Date.
Applichi i filtri alla configurazione del report. Imposti l’intervallo di 'Encounter Date' per il periodo di analisi desiderato, ad esempio gli ultimi 6 mesi, 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 'Export' e scelga 'CSV' (Comma Separated Values) come formato. Eviti la formattazione Excel/XLSX, che complica l’elaborazione.
Salvi il file in locale con il nome 'athena_raw_export.csv'.
Poiché il report esporta una riga per ogni accesso e più colonne con date (formato largo), è necessario riorganizzare i dati in un Event Log (formato lungo). Utilizzi lo script Python fornito nella sezione Query per eseguire la trasformazione.
Esegua lo script per generare il file finale 'process_mining_event_log.csv' e lo carichi in ProcessMind.

Configurazione

Categoria del report: scelga 'Encounter Activity' o 'Clinicals' come categoria di base per acquisire la maggior parte delle fasi del flusso di lavoro clinico.
Intervallo di date: limiti l’estrazione iniziale a 3-6 mesi per evitare timeout o limiti di righe del report, in genere fissati a circa 50.000 nelle viste standard.
Selezione delle colonne: verifichi di aver selezionato campi espliciti con data e ora. Eviti campi calcolati come 'Days since check-in' e preferisca valori assoluti come 'Check-in Date/Time'.
Gestione dei valori nulli: configuri il report in modo che i dati mancanti siano rappresentati da celle vuote anziché da testi personalizzati come 'N/A', così da semplificare l’elaborazione tramite script.
Filtro per reparto: se l’organizzazione è grande, applichi un filtro per sede di servizio o reparto, ad esempio 'Cardiology' o 'Orthopedics', per mantenere il set di dati circoscritto.
Autorizzazioni: per accedere a Custom Report Builder, l’utente deve disporre in athenaNet delle autorizzazioni 'Report Creator' o 'Clinical Reporting'.

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

Registrazione dell’applicazione API: acceda al portale per sviluppatori di athenahealth e registri una nuova applicazione per ottenere Client ID e Client Secret. Verifichi che l’applicazione disponga degli ambiti necessari per Appointments, Clinicals (Charts), Orders e Billing (Claims).
Configurazione dell’ambiente Python: installi le librerie Python necessarie (requests, pandas) nell’ambiente di esecuzione con pip install requests pandas.
Autenticazione: implementi il flusso OAuth 2.0 Client Credentials per ottenere un token di accesso. Il token deve essere incluso nell’intestazione Authorization (Bearer token) di tutte le successive chiamate API.
Definizione dell’ambito: imposti Practice ID e intervallo di date per l’estrazione. Le API di athenahealth sono specifiche per ciascuno studio medico, quindi, se ne gestisce più di uno, dovrà iterare sui relativi ID.
Estrazione degli appuntamenti: interroghi l’endpoint /appointments/booked o /appointments/changed per recuperare gli accessi di base. Mappi l’ID dell’appuntamento su PatientEpisodeId. Ricavi 'Appointment Scheduled' dalla data di creazione e 'Patient Checked In' dall’ora di accettazione.
Ricerca degli eventi clinici per ogni accesso: per ciascun ID appuntamento (accesso), interroghi i sotto-endpoint clinici. Chiami /chart/{encounterId}/vitals per 'Initial Assessment Completed' e /chart/{encounterId}/orders per 'Diagnostic Test Ordered', 'Specimen Collected' (in base allo stato) e 'Discharge Order Written'.
Recupero dei risultati e delle diagnosi: interroghi /chart/{encounterId}/analyteresults o /chart/{encounterId}/labresults per 'Test Results Received'. Interroghi /chart/{encounterId}/diagnoses per 'Diagnosis Confirmed'.
Estrazione di trattamenti e procedure: interroghi /chart/{encounterId}/plan per 'Treatment Plan Developed', /chart/{encounterId}/procedures per 'Procedure Performed' e /chart/{encounterId}/medications/admin per 'Medication Administered'.
Individuazione di ADT e richieste di rimborso: utilizzi la cronologia degli stati dell’appuntamento o gli endpoint ospedalieri specifici, se disponibili, per acquisire 'Patient Transferred' e 'Patient Discharged'. Interroghi /claims relativi all’appuntamento per estrarre 'Claim Submitted'.
Collegamento degli appuntamenti di controllo: individui 'Follow-Up Appointment Scheduled' cercando gli appuntamenti successivi creati per lo stesso ID paziente nell’intervallo temporale dell’accesso.
Trasformazione e appiattimento: analizzi le risposte JSON annidate e le trasformi in un elenco semplice di dizionari di eventi. Converta tutte le date e ore nel formato ISO 8601. Mappi i campi su ActivityName, PatientEpisodeId ed EventTimestamp.
Esportazione dei dati: carichi l’elenco di dizionari in un DataFrame pandas, esegua la pulizia finale gestendo i valori nulli ed esporti i dati in un file CSV pronto per essere acquisito da ProcessMind.

Configurazione

Credenziali API: sono necessari un Client ID e un Client Secret validi, ottenuti dal portale per sviluppatori di athenahealth, con accesso all’ambiente di produzione.
Practice ID: identificativo numerico univoco dello studio medico. Se estrae i dati per una rete, lo script deve essere eseguito per ciascuno studio.
Intervallo di date: si consiglia un periodo di estrazione compreso tra 3 e 6 mesi, considerato il volume dei dati clinici dettagliati.
Limiti di frequenza: l’API athenaOne applica limiti rigorosi, ad esempio 5 chiamate al secondo. Lo script include una funzione di attesa, ma per estrazioni su scala aziendale è opportuno implementare un’attesa progressiva.
Ambiti: verifichi che il token disponga degli ambiti athena/service/Athenanet.MDP.* o di ambiti specifici per appuntamenti, cartelle cliniche e dati finanziari.
Paginazione: la maggior parte degli endpoint restituisce un numero limitato di record, 1000 per impostazione predefinita. Lo script deve gestire i parametri next o offset.
Filtro per reparto: se analizza flussi specifici, ad esempio emergenza o ambulatorio, applichi un filtro per ID del reparto durante il recupero degli appuntamenti.

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 a iniziare?

Inizi a migliorare l’assistenza ai pazienti. Questo template è il primo passo per ottenere informazioni utili e migliorare gli esiti delle cure.

Torna alla guida al miglioramento

Scarica il template

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

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

Inizi la prova gratuita

Non è richiesta la carta di credito. Inizi oggi a ottimizzare i processi.

Il template dei dati per il percorso del paziente

Il template dei dati per il 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

Query di esempio python

Estrazione degli eventi dall’API athenaOne con Python

Passaggi

Configurazione

Query di esempio python

È pronto a iniziare?

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