> Continu verbeteren van processen > Patiënttraject > Veradigm (Allscripts) > Datatemplate

Datatemplate voor het patiënttraject

Veradigm (Allscripts)

Attributen van het patiënttraject(19) Activiteiten in het patiënttraject(13) Extractiegidsen(2)

Datatemplate voor het patiënttraject

Deze template biedt een gestructureerde aanpak om de data te verzamelen die nodig is voor de analyse van het patiënttraject. Je vindt hierin de belangrijkste attributen en activiteiten om bij te houden, plus praktische aanwijzingen om deze informatie uit het bronsysteem te halen. Gebruik de template om de data voor process mining voor te bereiden.

Aanbevolen attributen voor een volledige analyse
Belangrijke activiteiten om bij te houden voor een nauwkeurige procesontdekking
Praktische aanwijzingen voor data-extractie uit het systeem

Nieuw met event logs? Lees hoe je een event log voor process mining maakt.

Template downloaden

Attributen van het patiënttraject

Dit zijn de aanbevolen datavelden voor het event log, zodat je het patiënttraject volledig kunt analyseren.

3 Verplicht 8 Aanbevolen 8 Optioneel

	Naam	Beschrijving
	Activiteitsnaam ActivityName	De specifieke klinische of administratieve gebeurtenis die heeft plaatsgevonden.
Beschrijving Beschrijft de uitgevoerde processtap, zoals 'Patiënt geregistreerd', 'Medicatie toegediend' of 'Ontslagplanning gestart'. Dit attribuut onderscheidt de verschillende fasen van het patiënttraject en is nodig voor procesontdekking en variantanalyse. Waarom dit belangrijk is Bepaalt de knooppunten op de proceskaart. Zonder dit attribuut kan de processtroom niet worden weergegeven. Waar vind je dit? Afgeleid uit verschillende transactietabellen: ADT-gebeurtenissen, aanvragen, uitslagen en klinische documentatie. Voorbeelden Patiënt geregistreerdDiagnostisch onderzoek aangevraagdMedicatie toegediendPatiënt ontslagen
	Patiënttraject PatientEpisodeId	Unieke identificatie van het specifieke patiëntbezoek of patiëntcontact.
Beschrijving Het patiënttraject is de belangrijkste case-identificatie. Hiermee worden alle gebeurtenissen gegroepeerd die horen bij het zorgtraject van een patiënt voor een bepaalde aandoening of zorgperiode. Zo ontstaat een samenhangend beeld van diagnose, behandeling en herstel, waarbij contacten met verschillende afdelingen aan elkaar worden gekoppeld. In Veradigm-systemen (Allscripts), zoals Sunrise of Paragon, komt dit meestal overeen met het Visit ID of Encounter Number. Waarom dit belangrijk is Dit is de belangrijkste sleutel voor process mining en maakt het mogelijk het volledige patiënttraject te reconstrueren. Waar vind je dit? Waarschijnlijk te vinden in de kop van de tabellen Visit of Encounter (bijvoorbeeld VISIT_ID, ENCOUNTER_ID). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden EP-2023-998877VIS-10029384100029384ENC-554433
	Timestamp van gebeurtenis EventDateTime	De exacte datum en tijd waarop de activiteit plaatsvond.
Beschrijving Legt het tijdstip van de activiteit vast. Dit is nodig om doorlooptijden en tijdsduur te berekenen en de gebeurtenissen in de juiste volgorde te zetten. In zorgdata is nauwkeurigheid tot op de minuut belangrijk voor een betrouwbare analyse van de doorstroom. Waarom dit belangrijk is Maakt het mogelijk alle tijdgebonden KPI’s te berekenen, waaronder de gemiddelde doorlooptijd van het patiënttraject en wachttijden. Waar vind je dit? Transactietimestamps in brontabellen (bijvoorbeeld ADT_DATE, ORDER_DATE, RESULT_DATE). Voorbeelden 2023-10-12T08:30:00Z2023-10-12T14:45:22Z2023-10-15T09:00:00Z
	Behandelend zorgverlener AttendingProvider	De belangrijkste zorgverlener die tijdens de gebeurtenis verantwoordelijk is voor de patiënt.
Beschrijving Identificeert de arts, verpleegkundige of specialist die de activiteit uitvoert of verantwoordelijk is voor het zorgplan. Analyse van dit attribuut helpt het gebruik van klinische middelen en verschillen tussen behandeltrajecten per arts te begrijpen. Waarom dit belangrijk is Maakt analyse van bottlenecks in de inzet van middelen en vergelijking van prestaties tussen zorgmedewerkers mogelijk. Waar vind je dit? Transactietabellen (bijvoorbeeld ORDERing_PROVIDER, ATTENDING_PHYSICIAN_ID). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden Dr. Sarah SmithVerpleegkundig specialist JonesRadiologietechnicus A
	Is heropname IsReadmission	Veld dat aangeeft of de patiënt binnen 30 dagen opnieuw is opgenomen.
Beschrijving Een berekend booleaans attribuut. De waarde is true als de patiënt in de 30 dagen vóór de huidige opnamedatum eerder is ontslagen. Dit vormt de basis voor de 'Monitor vermijdbare heropnames'. Waarom dit belangrijk is Een belangrijke KPI voor ziekenhuiskwaliteit en vergoeding, met name voor CMS-regelgeving. Waar vind je dit? Berekend in de ETL-/datatransformatielaag op basis van PatientMRN en de opname- en ontslagdatums. Voorbeelden truefalse
	Naam afdeling DepartmentName	De zorgeenheid of afdeling van het ziekenhuis waar de activiteit plaatsvond.
Beschrijving Geeft de locatie aan, zoals 'Spoedeisende hulp', 'Cardiologie' of 'Radiologie'. Dit is belangrijk voor de analyse van bottlenecks bij opname en overplaatsing, zodat duidelijk wordt waar patiënten vertraging oplopen bij verplaatsingen tussen afdelingen. Waarom dit belangrijk is Ondersteunt de analyse van het gebruik van middelen en het opsporen van bottlenecks op afdelingen. Waar vind je dit? Locatie- of afdelingsstamtabellen die aan de transactie zijn gekoppeld. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden Spoedeisende hulpICUAlgemene chirurgieRadiologie
	Ontslagbestemming DischargeDisposition	De status of locatie van de patiënt bij ontslag.
Beschrijving Geeft aan waar de patiënt na het ziekenhuisverblijf naartoe ging (bijv. 'Naar huis', 'Verpleeghuis', 'Overleden', 'Overgeplaatst'). Dit is belangrijk voor de analyse van het risico op heropname, omdat elke ontslagbestemming een ander risicoprofiel heeft. Waarom dit belangrijk is Geeft context aan het dashboard 'Ontslagplanning' en helpt verschillen in ALOS te verklaren. Waar vind je dit? Kopgegevenstabel voor bezoeken/consulten (bijv. DISCH_DISP). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden Naar huisOvergeplaatst naar verpleeghuisNaar huis met thuiszorgVertrokken tegen medisch advies in
	Ontslagdatum DischargeDate	De datum en tijd waarop de patiënt is ontslagen.
Beschrijving De timestamp die het einde van de opname aangeeft. Deze wordt gebruikt om de case in process mining af te sluiten en is essentieel voor de berekening van ALOS en heropnames. Waarom dit belangrijk is Geeft het einde van de procescyclus aan en is belangrijk voor de analyse van de doorvoer. Waar vind je dit? Kopgegevenstabel voor bezoeken/consulten (bijv. DISCH_DATE). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden 2023-10-04T11:00:00Z2023-10-10T09:30:00Z
	Opnamedatum AdmissionDate	De datum en tijd waarop de patiënt formeel is opgenomen.
Beschrijving De timestamp die het begin van de klinische opname markeert. Gebruik deze samen met de ontslagdatum om de opnameduur (ALOS) te berekenen. Waarom dit belangrijk is Belangrijk uitgangspunt voor het berekenen van de gemiddelde opnameduur en het meten van vertragingen bij opname. Waar vind je dit? Kop van de tabel Visit/Encounter (bijvoorbeeld ADMIT_DATE). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden 2023-10-01T10:00:00Z2023-10-05T14:20:00Z
	Patiënt-MRN PatientMrn	Medisch dossiernummer waarmee de patiënt over verschillende zorgtrajecten heen uniek wordt geïdentificeerd.
Beschrijving Het Medical Record Number (MRN) of Enterprise Patient ID. Anders dan het ID van het patiënttraject blijft dit ID bij verschillende bezoeken hetzelfde. Dit is de sleutel om afzonderlijke zorgtrajecten aan elkaar te koppelen en heropnames te berekenen. Waarom dit belangrijk is Nodig voor het berekenen van het heropnamepercentage binnen 30 dagen en het herkennen van terugkerende patiënten. Waar vind je dit? Patiëntenindex of demografische tabellen (waarschijnlijke kolommen: MRN, PATIENT_ID). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden MRN-884422P-10022399887766
	Primaire diagnosecode PrimaryDiagnosisCode	De ICD-10- of SNOMED-code voor de belangrijkste aandoening.
Beschrijving De gecodeerde reden voor het bezoek van de patiënt. Met dit attribuut kunnen analisten behandeltrajecten vergelijken voor verschillende aandoeningen, zoals longontsteking en hartfalen. Waarom dit belangrijk is Nodig om processen per aandoening in te delen en de naleving van protocollen te controleren. Waar vind je dit? Tabellen met diagnoses of probleemlijsten (meestal met ICD-10-kolommen). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden I50.9J18.9E11.9
	Bronsysteem SourceSystem	De naam van het systeem waaruit de data afkomstig is.
Beschrijving Geeft aan uit welke softwareomgeving de data komt, zoals 'Veradigm Sunrise' of 'Veradigm TouchWorks'. Dit is vooral belangrijk in omgevingen met meerdere ziekenhuizen of wanneer data uit acute en ambulante zorg wordt samengevoegd. Waarom dit belangrijk is Zorgt voor traceerbaarheid en inzicht in de herkomst van data. Dat is handig bij het oplossen van problemen met de datakwaliteit. Waar vind je dit? Vast ingesteld tijdens het ETL-proces of opgehaald uit metadatatabellen van het systeem. Voorbeelden Veradigm SunriseAllscripts PMVeradigm TouchWorks
	Datum vervolgafspraak FollowUpAppointmentDate	Datum van de geplande vervolgafspraak.
Beschrijving Wordt gebruikt om het percentage geplande vervolgafspraken te berekenen. Als dit veld is ingevuld, is er een vervolgafspraak gepland. Is het veld leeg, dan is dat niet het geval. Waarom dit belangrijk is Meet rechtstreeks de KPI 'Naleving van vervolgzorg'. Waar vind je dit? Afsprakensysteem of tabel met toekomstige afspraken die aan de patiënt is gekoppeld. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden 2023-11-15T14:00:00Znull
	Doorlooptijd diagnostiek DiagnosticTurnaroundTime	Tijdsduur tussen het aanvragen van een test en het ontvangen van de uitslag.
Beschrijving Berekende tijd tussen 'Diagnostische test aangevraagd' en 'Diagnose bevestigd' (of ontvangst van de uitslag). Wordt gebruikt voor het overzicht van de doorlooptijd van diagnostiek. Waarom dit belangrijk is Lange doorlooptijden verlengen de opnameduur. Deze metriek laat vertragingen bij laboratorium- en radiologieonderzoek zien. Waar vind je dit? Berekend als: timestamp (resultaat) - timestamp (order). Voorbeelden 2 uur45 minuten1,5 dag
	Kostenplaats CostCenter	De financiële code die bij een afdeling of dienst hoort.
Beschrijving Koppelt klinische activiteiten aan een financiële eenheid. Zo kun je de 'Kosten van activiteiten' of de financiële prestaties van verschillende afdelingen analyseren. Waarom dit belangrijk is Verbindt process mining van de bedrijfsvoering met de financiële impact. Waar vind je dit? Tabellen met afdelingen of tarieven. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden CC-1020CC-Rad-01Emergency-001
	Laatste data-update LastDataUpdate	Timestamp van de laatste keer dat de registratie is opgehaald of bijgewerkt.
Beschrijving Geeft aan hoe actueel de data voor de analyse is. Zo kunnen gebruikers zien of ze realtime data bekijken of een momentopname uit een eerdere periode. Waarom dit belangrijk is Maakt vertraging in de beschikbaarheid van data inzichtelijk en helpt bij het inrichten van incrementeel laden van data. Waar vind je dit? Door het systeem gegenereerde timestamp tijdens de ETL- of extractierun. Voorbeelden 2023-11-01T23:59:59Z2023-11-02T06:00:00Z
	Naam van medicatie MedicationName	De naam van het voorgeschreven of toegediende geneesmiddel.
Beschrijving Specifiek bedoeld voor het dashboard 'Tijd tussen medicatietoedieningen'. Hiermee kun je nagaan of de toediening van bepaalde geneesmiddelen, zoals antibiotica of pijnstillers, vertraging oploopt. Waarom dit belangrijk is Belangrijk voor de analyse van patiëntveiligheid en de optimalisatie van apotheekprocessen. Waar vind je dit? Toedieningsregistratie (MAR) of apotheekorders. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden AmoxicillineHeparineMorfinesulfaat
	Order-ID OrderId	Identificatiecode voor specifieke orders (laboratoriumonderzoek, medicatie, procedures).
Beschrijving Koppelt de gebeurtenis 'Order' aan de gebeurtenis 'Resultaat' of 'Toediening'. Bijvoorbeeld: 'Diagnostische test aangevraagd' koppelen aan 'Diagnostische test afgerond'. Dit detailniveau is nodig voor het dashboard 'Doorlooptijd diagnostiek'. Waarom dit belangrijk is Maakt het mogelijk de duur van specifieke processtappen te berekenen, zoals de doorlooptijd van laboratoriumonderzoek. Waar vind je dit? Orderinvoertabellen (bijv. ORDER_ID, PLACER_ORDER_NUM). Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden ORD-998877LAB-112233RX-445566
	Voldoet aan protocol IsProtocolCompliant	Veld dat aangeeft of de case het standaardzorgpad heeft gevolgd.
Beschrijving Een berekend attribuut dat controleert of verplichte activiteiten, zoals 'Vitale functies geregistreerd' vóór 'Medicatie toegediend', in de juiste volgorde hebben plaatsgevonden. Ondersteunt het dashboard 'Naleving zorgprotocol'. Waarom dit belangrijk is Spoort afwijkingen automatisch op, zonder dat je patiëntendossiers handmatig hoeft te controleren. Waar vind je dit? Berekend in de process mining-tool of ETL op basis van de volgorde van activiteiten. Voorbeelden truefalse

Verplicht Aanbevolen Optioneel

Activiteiten in het patiënttraject

Dit zijn de belangrijkste processtappen en mijlpalen om in het event log vast te leggen voor een nauwkeurige procesontdekking van het patiënttraject.

6 Aanbevolen 7 Optioneel

	Activiteit	Beschrijving
	Behandelplan opgesteld	Dit is het moment waarop het behandelteam het behandelplan van de patiënt formeel vastlegt. Dit wordt vaak geregistreerd wanneer een document met de naam 'Plan of Care' of een reeks eerste behandelopdrachten in het EPD wordt aangemaakt en ondertekend.
Waarom dit belangrijk is Deze mijlpaal markeert het begin van de actieve behandelfase. Het is het uitgangspunt om de naleving van zorgprotocollen en de tijd tot de eerste behandelactie, zoals medicatietoediening, te meten. Waar vind je dit? Af te leiden uit de ondertekeningstimestamp van een formulier 'Plan of Care' of de aanmaaktimestamp van de eerste grote reeks behandelopdrachten na de diagnose. Vastleggen Zoek de timestamp waarop het document 'Plan of Care' door de behandelend zorgverlener wordt afgerond of ondertekend. Gebeurtenistype inferred
	Diagnose bevestigd	Deze activiteit geeft aan dat een zorgverlener een diagnose officieel in het patiëntendossier heeft vastgelegd. Dit kan worden geregistreerd wanneer een diagnosecode aan de probleemlijst wordt toegevoegd of wanneer een klinisch verslag met de diagnose wordt ondertekend.
Waarom dit belangrijk is De bevestiging van de diagnose bepaalt het verdere behandeltraject. Zo kunnen verschillen in behandeltrajecten voor verschillende diagnoses worden geanalyseerd. Waar vind je dit? Te vinden in de probleemlijst van de patiënt, de diagnosegegevens van het patiëntcontact of de klinische documentatie. Dit is af te leiden uit de timestamp waarop een primaire diagnosecode voor het patiëntcontact wordt ingevoerd en definitief vastgelegd. Vastleggen Gebruik de aanmaak- of updatetimestamp van de primaire diagnose voor het betreffende patiënttraject. Gebeurtenistype inferred
	Eerste beoordeling afgerond	Dit is de afronding van de eerste klinische beoordeling door een verpleegkundige of arts, bijvoorbeeld triage of de eerste intake. Dit wordt vaak vastgelegd wanneer een specifiek klinisch formulier of verslag, zoals een 'Nursing Initial Assessment', in het EPD wordt ondertekend en afgerond.
Waarom dit belangrijk is Deze activiteit is een belangrijke vroege mijlpaal. De tijd tussen registratie en deze beoordeling laat mogelijke vertragingen bij de intake en eerste zorg zien. Waar vind je dit? Af te leiden uit de afrondings- of ondertekeningstimestamp van formulieren voor de eerste beoordeling of klinische verslagen in de modules voor klinische documentatie van Veradigm. Vastleggen Zoek de timestamp waarop de status van het verslag of formulier voor de eerste beoordeling verandert in 'completed' of 'signed'. Gebeurtenistype inferred
	Ontslagplanning gestart	Dit markeert de formele start van de ontslagplanning voor een patiënt. Dit is af te leiden uit het aanmaken van een ontslagplan, het plaatsen van een ontslagopdracht of het afronden van een specifieke beoordeling voor de ontslagplanning.
Waarom dit belangrijk is Deze activiteit is het startpunt voor het meten van de efficiëntie van het ontslagproces. Een vroege start van de planning hangt vaak samen met minder heropnames. Waar vind je dit? Af te leiden uit de aanmaaktimestamp van een notitie over de ontslagplanning, een reeks ontslagopdrachten of een specifiek beoordelingsformulier in Veradigm. Vastleggen Zoek de timestamp waarop voor het eerst een ontslagopdracht of -document voor het patiëntcontact wordt aangemaakt. Gebeurtenistype inferred
	Patiënt geregistreerd	Dit markeert het officiële begin van het patiënttraject, wanneer de gegevens van de patiënt in Veradigm worden ingevoerd. Deze gebeurtenis wordt meestal expliciet vastgelegd zodra een gebruiker de registratieworkflow afrondt. Daarbij wordt een nieuw patiëntcontact aangemaakt met een unieke identificatie en timestamp.
Waarom dit belangrijk is Dit is de eerste activiteit in het patiënttraject. Deze is nodig om de totale doorlooptijd van het proces, de opnameduur en de doorstroom van patiënten te berekenen. Waar vind je dit? Deze gebeurtenis wordt vastgelegd in de patiëntenregistratie of de ADT-module (Admission, Discharge, Transfer). Zoek naar de aanmaaktimestamp van het patiëntcontact of bezoek. Vastleggen Timestamp uit het patiëntcontact of de registratietabel, vastgelegd bij het aanmaken van de registratie. Gebeurtenistype explicit
	Patiënt ontslagen	Dit markeert het officiële einde van de klinische opname, wanneer de patiënt formeel uit de zorginstelling wordt ontslagen. Dit is een expliciete, belangrijke gebeurtenis in het ADT-systeem, dat de status van het patiëntcontact bijwerkt naar 'discharged'.
Waarom dit belangrijk is Dit is voor de meeste patiënttrajecten de laatste activiteit. Deze is nodig om de gemiddelde opnameduur (ALOS) en de totale doorlooptijd van het proces te berekenen. Waar vind je dit? Expliciet vastgelegd in de ADT-module. Het patiëntcontact bevat een ontslagt timestamp en een ontslagbestemming. Vastleggen Gebruik de ontslagt timestamp uit het hoofdcontact of bezoek van de patiënt. Gebeurtenistype explicit
	Diagnostisch onderzoek aangevraagd	Deze gebeurtenis vindt plaats wanneer een zorgverlener diagnostisch onderzoek aanvraagt, zoals laboratoriumonderzoek of een scan. De aanvraag wordt expliciet vastgelegd via het Computerized Physician Order Entry-systeem (CPOE) in Veradigm.
Waarom dit belangrijk is Dit markeert het begin van het diagnostische subprocess. Het is het startpunt voor het meten van doorlooptijden van diagnostiek en het opsporen van vertragingen bij het aanvragen van onderzoek. Waar vind je dit? Vastgelegd in de module voor aanvragen of in de logboeken van het CPOE-systeem. Bij elke aanvraag staat een timestamp die aangeeft wanneer deze is ingediend. Vastleggen Haal de aanmaaktimestamp op uit de aanvraaggegevens van relevante diagnostische onderzoeken. Gebeurtenistype explicit
	Diagnostisch onderzoek afgerond	Dit is het moment waarop de uitslag van een diagnostisch onderzoek definitief is en beschikbaar komt in het patiëntendossier. Dit is meestal af te leiden uit een statuswijziging van de oorspronkelijke aanvraag, van 'active' of 'in-progress' naar 'completed' of 'resulted'.
Waarom dit belangrijk is Deze activiteit is een belangrijke mijlpaal voor het meten van de doorlooptijd van diagnostiek. Vertraging tussen de aanvraag en afronding kan de tijd tot de diagnose flink verlengen. Waar vind je dit? Af te leiden uit het statusveld van de aanvraag in de aanvragenmodule of uit timestamps in de bijbehorende uitslagenmodule, zoals LIS of RIS. Vastleggen Zoek de timestamp waarop de status van de aanvraag verandert in een eindstatus, zoals 'Completed' of 'Resulted'. Gebeurtenistype inferred
	Ingreep uitgevoerd	Dit is de afronding van een klinische of chirurgische ingreep. Dit wordt meestal vastgelegd wanneer een zorgverlener het ingreepverslag ondertekent of wanneer de status van de ingreepaanvraag in het systeem verandert in 'completed'.
Waarom dit belangrijk is Ingrepen zijn belangrijke mijlpalen in veel patiënttrajecten. Door het tijdstip ervan te analyseren, krijg je inzicht in het gebruik van middelen en de efficiëntie van de planning. Waar vind je dit? Af te leiden uit de ondertekeningstimestamp van een ingreepverslag in de module voor klinische documentatie of uit de afrondingstimestamp van de ingreepaanvraag in de aanvragenmodule. Vastleggen Gebruik de afrondingstimestamp van de ingreepaanvraag of de ondertekeningstimestamp van de bijbehorende documentatie. Gebeurtenistype inferred
	Medicatie toegediend	Deze gebeurtenis wordt vastgelegd wanneer een verpleegkundige of zorgverlener noteert dat de patiënt medicatie heeft gekregen. Dit gebeurt in het Medication Administration Record (MAR) of de eMAR-module, waarin het exacte tijdstip van toediening wordt geregistreerd.
Waarom dit belangrijk is Het volgen van medicatietoediening is belangrijk om de tijdigheid en naleving van de behandeling te analyseren. De tijd tussen het voorschrijven en toedienen helpt vertragingen in het medicatieproces op te sporen. Waar vind je dit? Expliciet vastgelegd in de eMAR-module (electronic Medication Administration Record). Elke toediening heeft een eigen timestamp, medicatie en dosering. Vastleggen Haal voor elke medicatietoediening die aan het patiëntcontact is gekoppeld de timestamps op uit de eMAR-tabel. Gebeurtenistype explicit
	Overplaatsing naar afdeling	Deze gebeurtenis markeert de fysieke overplaatsing van een patiënt van de ene afdeling of zorgeenheid naar de andere, bijvoorbeeld van de spoedeisende hulp naar een verpleegafdeling. Dit wordt vastgelegd in het ADT-systeem (Admission, Discharge, Transfer) van Veradigm.
Waarom dit belangrijk is Bij overplaatsingen van patiënten ontstaan vaak bottlenecks en vertragingen. Door de duur en frequentie van overplaatsingen te analyseren, kunnen zorgorganisaties de patiëntenstroom en de verdeling van middelen tussen afdelingen verbeteren. Waar vind je dit? Expliciet vastgelegd in de ADT-module. Elke overplaatsing bevat de patiënt, de locatie van vertrek en aankomst en een timestamp. Vastleggen Haal de event logs voor patiëntverplaatsingen op uit het ADT-systeem. Gebeurtenistype explicit
	Vervolgafspraak ingepland	Deze activiteit geeft aan dat na ontslag een vervolgafspraak voor de patiënt is ingepland. De gebeurtenis wordt vastgelegd in de planningsmodule wanneer een afspraak wordt geboekt die aan het ontslagcontact is gekoppeld.
Waarom dit belangrijk is Een ingeplande vervolgafspraak is belangrijk voor de continuïteit van zorg en het terugdringen van heropnames. Deze activiteit helpt de naleving van protocollen voor nazorg te meten. Waar vind je dit? Vastgelegd in de afsprakenmodule. Zoek naar de aanmaaktimestamp van een nieuwe afspraak voor de patiënt die na de ontslagdatum plaatsvindt. Vastleggen Zoek in het planningssysteem naar de aanmaaktimestamp van een afspraak die aan de patiënt is gekoppeld. Gebeurtenistype explicit
	Vitale functies vastgelegd	Deze activiteit vindt plaats telkens wanneer vitale functies van een patiënt, zoals hartslag, bloeddruk en temperatuur, worden vastgelegd. Dit is een expliciete gebeurtenis in de klinische documentatie of het specifieke flowsheet voor vitale functies in het EPD.
Waarom dit belangrijk is Regelmatige registratie van vitale functies wijst erop dat de patiënt actief wordt gemonitord. Analyse van de frequentie en tijdstippen laat zien of de monitoringsprotocollen worden nageleefd. Waar vind je dit? Vastgelegd in de klinische datarepository of in de flowsheettabellen waarin vitale functies worden opgeslagen. Elke registratie heeft een timestamp. Vastleggen Haal de timestamps voor het patiëntcontact op uit de flowsheetdata voor vitale functies. Gebeurtenistype explicit

Aanbevolen Optioneel

Extractiegidsen

Zo haal je data uit Veradigm (Allscripts)

Stappen

Bepaal het interfacekanaal: Meld je aan bij de Allscripts Interface Engine (AIE) Management Console. Zoek het primaire interfacekanaal dat inkomende berichten uit het EHR verwerkt (meestal aangeduid als 'EHR_Inbound' of iets vergelijkbaars). Controleer of dit kanaal de berichttypen ADT, SIU, ORM, ORU, RAS en DFT verwerkt, zodat alle activiteiten in het patiënttraject worden vastgelegd.
Maak een nieuw passthrough-/exportkanaal aan: Maak een nieuw bestemmingskanaal met de naam 'ProcessMining_Export'. Stel het uitvoertype in op 'File Writer'. Dit kanaal ontvangt een kopie van de berichten uit het bronkanaal en zet die om naar een plat bestandsformaat (CSV) voor ProcessMind.
Stel de berichtroutering in: Configureer in de routeringsregels van AIE een kopieer-/routeringsregel die berichten van het primaire EHR-kanaal naar het nieuwe kanaal 'ProcessMining_Export' stuurt. Filter de routering op de benodigde berichttypen: ADT (registratie/overplaatsing), SIU (planning), ORM (orders), ORU (resultaten/vitale waarden), RAS (medicatie) en DFT (facturering/procedures).
Definieer de transformatielogica: Open in het kanaal 'ProcessMining_Export' de editor voor transformaties/scripts. Implementeer een parseringsscript (zie het gedeelte 'query' hieronder) dat de ruwe HL7-segmenten leest en specifieke Trigger Events en statuscodes omzet naar de vereiste standaardactiviteitsnamen. Zo wordt 'ADT^A01' bijvoorbeeld omgezet naar 'Patiënt geregistreerd'.
Koppel attributen aan HL7-velden: Zorg dat het script 'PatientEpisodeId' ophaalt uit segment PV1-19 (Visit Number) en 'PatientMrn' uit PID-3. Koppel 'EventDateTime' aan MSH-7 of EVN-2. Haal klinische gegevens op, zoals 'DepartmentName' uit PV1-3 en 'AttendingProvider' uit PV1-7.
Stel de uitvoerbestandsinstellingen in: Configureer de instellingen van File Writer. Stel de uitvoermap in op een beveiligd netwerkpad. Bepaal de naamgevingsconventie voor bestanden, bijvoorbeeld EventLog_YYYYMMDD_HH.csv. Stel de bestandsmodus in op 'Append', zodat er voortdurend rijen aan het log worden toegevoegd.
Verwerk scheidingstekens en speciale tekens: Zorg dat tekstvelden, zoals Diagnosis of Department Name, in het script worden opgeschoond en geen komma's of regeleinden bevatten. Zo blijft de CSV-structuur intact.
Activeer en test het kanaal: Start het kanaal 'ProcessMining_Export'. Genereer een testgebeurtenis in de testomgeving van Veradigm, bijvoorbeeld door een testpatiënt te registreren. Controleer of er een nieuwe rij met de juiste activiteitsnaam en timestamp in het CSV-bestand verschijnt.
Stel logrotatie in: Stel een rotatieschema in, bijvoorbeeld dagelijks om middernacht, zodat het huidige CSV-bestand wordt afgesloten en een nieuw bestand begint. Zo blijven de bestanden klein genoeg om te uploaden.
Historische data opnieuw afspelen (optioneel): Gebruik de tool 'Message Browser' of 'Log Replay' van AIE om gearchiveerde HL7-logs van de afgelopen 3 tot 6 maanden opnieuw via het kanaal 'ProcessMining_Export' te versturen. Houd de systeemprestaties in de gaten om vertraging te voorkomen.
Haal de bestanden op en controleer de indeling: Open de uitvoermap, haal de gegenereerde CSV-bestanden op en controleer of de kolomkoppen aan de vereisten voldoen. Voeg de dagelijkse bestanden zo nodig samen.
Upload naar ProcessMind: Importeer de uiteindelijke dataset in ProcessMind. Koppel 'PatientEpisodeId' aan Case-ID, 'ActivityName' aan Activiteit en 'EventDateTime' aan Timestamp.

Configuratie

Kanaaltype: File Writer / File System Output
Trigger Events: ADT^A01, ADT^A03, ADT^A04, ADT^A08, SIU^S12, ORM^O01, ORU^R01, RAS^O17, DFT^P03
Bestandscodering: UTF-8 (belangrijk voor speciale tekens in namen en diagnoses)
Scheidingsteken: komma (,) of pipe (|)
Datumnotatie: ISO 8601 (YYYY-MM-DDTHH:MM:SS) aanbevolen voor het omzetten van HL7-timestamps
Logrotatie: dagelijks of zodra het bestand groter is dan 100 MB
Schrijfmodus: Append (niet overschrijven)
Prestaties: Houd het transformatiescript licht om te voorkomen dat berichten zich opstapelen in de engine.

Voorbeeldquery config

// AIE Transformation Script (Pseudo-code for Config)
// Objective: Parse HL7 message and append line to CSV
// Output Columns: PatientEpisodeId, ActivityName, EventDateTime, PatientMrn, AttendingProvider, DepartmentName, PrimaryDiagnosisCode

// 1. Initialize Variables
var msgType = HL7.GetField("MSH-9-1") + "^" + HL7.GetField("MSH-9-2");
var visitNumber = HL7.GetField("PV1-19");
var mrn = HL7.GetField("PID-3");
var eventTime = HL7.GetField("MSH-7"); // Or EVN-2
var provider = HL7.GetField("PV1-7");
var dept = HL7.GetField("PV1-3");
var diagnosis = HL7.GetField("DG1-3"); // For Diagnosis events
var orderStatus = HL7.GetField("ORC-5");
var resultStatus = HL7.GetField("OBR-25");
var activityName = "";

// 2. Map Message Types to Activities
// Registration & Admission
if (msgType == "ADT^A04" || msgType == "ADT^A01") {
    activityName = "Patient Registered";
}
else if (msgType == "ADT^A02") {
    activityName = "Transfer to Department";
}
else if (msgType == "ADT^A03") {
    activityName = "Patient Discharged";
}
// Scheduling
else if (msgType == "SIU^S12") {
    activityName = "Follow-up Scheduled";
}
// Orders (Diagnostics, Care Plans, Discharge Planning)
else if (msgType == "ORM^O01") {
    var orderControl = HL7.GetField("ORC-1");
    var orderType = HL7.GetField("OBR-4"); // Check for specific service codes
    
    if (orderControl == "NW") { // New Order
        if (orderType.Contains("LAB") || orderType.Contains("RAD")) {
            activityName = "Diagnostic Test Ordered";
        }
        else if (orderType.Contains("DISCHARGE")) {
            activityName = "Discharge Planning Initiated";
        }
        else if (orderType.Contains("CARE_PLAN")) {
            activityName = "Treatment Plan Created";
        }
    }
}
// Results & Vitals
else if (msgType == "ORU^R01") {
    // Check if it is Vitals or Lab Result based on OBX codes or sending app
    var observationId = HL7.GetField("OBX-3"); 
    if (observationId.Contains("VITALS")) {
        activityName = "Vitals Recorded";
    } else {
        if (resultStatus == "F" || resultStatus == "C") {
            activityName = "Diagnostic Test Completed";
        }
    }
    
    // Initial Assessment Check (often a specific doc type in ORU or MDM)
    if (observationId.Contains("INITIAL_ASSESS")) {
        activityName = "Initial Assessment Completed";
    }
}
// Medication Administration (RAS)
else if (msgType == "RAS^O17") {
    activityName = "Medication Administered";
}
// Billing/Procedures (DFT)
else if (msgType == "DFT^P03") {
    activityName = "Procedure Performed";
}
// Diagnosis Updates (Often in ADT or DFT, logic depends on config)
else if (msgType == "ADT^A08" && diagnosis != "") {
    // Check if diagnosis segment is new/updated
    activityName = "Diagnosis Confirmed";
}

// 3. Write to File if Activity Identified
if (activityName != "" && visitNumber != "") {
    // Format Date to ISO
    var formattedDate = FormatDate(eventTime, "yyyy-MM-dd HH:mm:ss");
    
    // Construct CSV Line
    var csvLine = visitNumber + "," + 
                  activityName + "," + 
                  formattedDate + "," + 
                  mrn + "," + 
                  provider + "," + 
                  dept + "," + 
                  diagnosis;
                  
    File.WriteLine("[Configured_Output_Path]\\PatientJourneyLog.csv", csvLine);
}

Stappen

Toegang en vereisten: Zorg dat je geldige inloggegevens hebt voor de Veradigm- (Allscripts-) Unity API. Je hebt een Appname (Application Name) nodig die voor je organisatie is geautoriseerd, plus een geldige UserID en Password (of token) voor de authenticatie. Controleer of het gebruikersaccount toegang heeft tot de klinische domeinen Encounters, Orders, Results, Vitals en Problems.
De omgeving instellen: Installeer Python 3.8 of hoger. Installeer de benodigde bibliotheken met pip: pip install requests pandas. Hiermee verstuur je HTTP-verzoeken naar de Unity API en verwerk je de opgehaalde data.
De configuratie aanpassen: Open het Python-script. Zoek bovenaan het gedeelte CONFIGURATION. Pas API_URL aan zodat het verwijst naar het Unity-eindpunt van je omgeving, bijvoorbeeld unity.veradigm.com of een interne gateway. Vervang de tijdelijke inloggegevens ([YourAppName], [YourUserID] enzovoort) door de juiste gegevens. Stel START_DATE en END_DATE in op de gewenste analyseperiode.
De werking van het script: Het script meldt zich eerst aan bij de API om een beveiligingstoken op te halen. Daarna roept het GetEncounterInfo aan om alle patiënttrajecten binnen de opgegeven periode op te halen. Deze lijst met encounters vormt de basis voor de extractie.
Activiteiten ophalen: Voor elke gevonden EncounterID doet het script aanvullende API-aanroepen naar specifieke eindpunten. Met GetOrders haalt het diagnostische tests en procedures op. Met GetResults zoekt het naar afgeronde tests en met GetVitals naar vastgelegde vitale waarden. GetPatientProblems haalt bevestigde diagnoses op. Het script doorloopt ook de klinische notities om beoordelingen en behandelplannen te vinden.
Data omzetten: Wanneer de API ruwe JSON-data terugstuurt, haalt het script specifieke velden op en koppelt die aan het ProcessMind-schema. Zo wordt OrderDateTime voor de activiteit 'Diagnostische test aangevraagd' gekoppeld aan EventDateTime. Het script koppelt PatientEpisodeId (Encounter ID) consequent aan alle onderliggende records.
ADT en overplaatsingen verwerken: Als de gegevens beschikbaar zijn via specifieke Audit- of ADT-aanroepen, controleert het script de locatiegeschiedenis van de encounter. Anders leidt het overplaatsingen af uit afdelingswijzigingen in de klinische documentatie en maakt het gebeurtenissen aan voor 'Overplaatsing naar afdeling'.
Vervolgafspraken ophalen: Nadat het script de encounter heeft verwerkt, vraagt het met GetSchedule de afspraken voor dezelfde PatientID op. Afspraken na DischargeDate worden gebruikt voor de activiteit 'Vervolgafspraak gepland'.
Valideren: Het script bevat een lokale validatiestap die het aantal rijen per activiteitstype in de console toont. Controleer of er geen activiteitstypen zonder records zijn, tenzij dat wordt verwacht.
Exporteren: De uiteindelijke dataset wordt samengevoegd in een Pandas DataFrame. Het script berekent afgeleide attributen zoals LengthOfStay en IsReadmission door de data op patiënt en tijd te sorteren. Daarna exporteert het de opgeschoonde event log naar een CSV-bestand met de naam veradigm_patient_journey_log.csv.
Eindcontrole: Open het gegenereerde CSV-bestand. Controleer of de datums de ISO 8601-notatie (YYYY-MM-DD HH:MM:SS) gebruiken en of tekstvelden zoals ActivityName geen scheidingstekens bevatten.
Uploaden: Importeer het CSV-bestand in ProcessMind. Koppel PatientEpisodeId aan Case-ID, ActivityName aan Activiteit en EventDateTime aan Timestamp.

Configuratie

API_URL: De basis-URL voor de Unity API-services. Deze verschilt per klantinstallatie, bijvoorbeeld lokaal of in de cloud. Controleer of het protocol (https) klopt.
Appname: De unieke applicatie-ID die bij Veradigm/Allscripts is geregistreerd. Deze bepaalt tot welke data toegang mogelijk is.
Datumbereik: Een extractieperiode van 3 tot 6 maanden wordt aanbevolen. Bij grote perioden kan een time-out optreden. Verdeel de extractie zo nodig per maand.
Time-outinstellingen: Het script gebruikt standaard een time-out van 30 seconden voor API-aanroepen. Verhoog deze waarde als het EHR-systeem zwaar wordt belast.
Batchverwerking: Het script verwerkt elke encounter afzonderlijk. Bij systemen met grote volumes kan het nodig zijn het script aan te passen om data in bulk op te halen, als de eindpunten dat ondersteunen, of om parallelle threads te gebruiken.
Toewijzingslogica: Het script koppelt 'OrderType' aan activiteiten. Controleer of de specifieke ordertypecodes van je systeem, zoals 'Lab' en 'Rad', overeenkomen met de logica in de functie process_orders.

Voorbeeldquery python

import requests
import pandas as pd
import json
from datetime import datetime, timedelta

class=class="hl-string">"hl-comment"># === CONFIGURATION ===
API_URL = class="hl-string">"https://unity.veradigm.com/[YourEnvironment]/unity/unityservice.svc/json"
APP_NAME = class="hl-string">"[YourAppName]"
USER_ID = class="hl-string">"[YourUserID]"
PASSWORD = class="hl-string">"[YourPassword]"
START_DATE = class="hl-string">"2023-01-01"
END_DATE = class="hl-string">"2023-01-31"
OUTPUT_FILE = class="hl-string">"veradigm_patient_journey_log.csv"

class=class="hl-string">"hl-comment"># Global Session Token
TOKEN = None

def get_security_token():
    class="hl-string">"""Authenticate and retrieve security token."""
    payload = {
        class="hl-string">"Action": class="hl-string">"GetToken",
        class="hl-string">"Appname": APP_NAME,
        class="hl-string">"Username": USER_ID,
        class="hl-string">"Password": PASSWORD
    }
    try:
        response = requests.post(API_URL, json=payload)
        response.raise_for_status()
        data = response.json()
        class=class="hl-string">"hl-comment"># Depending on Unity version, token might be in body or header. Assuming body here.
        return data[0][class="hl-string">'Token'] if isinstance(data, list) else data.get(class="hl-string">'Token')
    except Exception as e:
        print(fclass="hl-string">"Authentication failed: {e}")
        return None

def make_unity_request(action, params):
    class="hl-string">"""Wrapper for Unity API calls."""
    payload = {
        class="hl-string">"Action": action,
        class="hl-string">"Appname": APP_NAME,
        class="hl-string">"Token": TOKEN
    }
    payload.update(params)
    
    try:
        response = requests.post(API_URL, json=payload, timeout=30)
        response.raise_for_status()
        class=class="hl-string">"hl-comment"># Unity often returns a list of dictionaries
        return response.json()
    except Exception as e:
        print(fclass="hl-string">"API Call Error ({action}): {e}")
        return []

def extract_patient_journey():
    global TOKEN
    TOKEN = get_security_token()
    if not TOKEN:
        return

    print(class="hl-string">"Token acquired. Starting extraction...")
    
    event_log = []

    class=class="hl-string">"hl-comment"># 1. Get Encounters within Date Range
    class=class="hl-string">"hl-comment"># Using GetEncounterInfo or similar search action
    encounters = make_unity_request(class="hl-string">"GetEncounterInfo", {
        class="hl-string">"StartEncounterDate": START_DATE,
        class="hl-string">"EndEncounterDate": END_DATE
    })

    print(fclass="hl-string">"Found {len(encounters)} encounters. Processing details...")

    for enc in encounters:
        try:
            class=class="hl-string">"hl-comment"># Basic Encounter Data
            episode_id = str(enc.get(class="hl-string">'EncounterID'))
            patient_id = enc.get(class="hl-string">'PatientID')
            mrn = enc.get(class="hl-string">'MRN', class="hl-string">'')
            admit_time = enc.get(class="hl-string">'EncounterDate') class=class="hl-string">"hl-comment"># ISO string expected
            discharge_time = enc.get(class="hl-string">'DischargeDate')
            dept_name = enc.get(class="hl-string">'Department', class="hl-string">'General')
            attending = enc.get(class="hl-string">'ProviderName', class="hl-string">'Unknown')
            
            class=class="hl-string">"hl-comment"># --- Activity: Patient Registered ---
            if admit_time:
                event_log.append({
                    class="hl-string">"PatientEpisodeId": episode_id,
                    class="hl-string">"ActivityName": class="hl-string">"Patient Registered",
                    class="hl-string">"EventDateTime": admit_time,
                    class="hl-string">"PatientMrn": mrn,
                    class="hl-string">"AttendingProvider": attending,
                    class="hl-string">"DepartmentName": dept_name,
                    class="hl-string">"AdmissionDate": admit_time,
                    class="hl-string">"DischargeDate": discharge_time
                })

            class=class="hl-string">"hl-comment"># --- Activity: Patient Discharged ---
            if discharge_time:
                 event_log.append({
                    class="hl-string">"PatientEpisodeId": episode_id,
                    class="hl-string">"ActivityName": class="hl-string">"Patient Discharged",
                    class="hl-string">"EventDateTime": discharge_time,
                    class="hl-string">"PatientMrn": mrn,
                    class="hl-string">"AttendingProvider": attending,
                    class="hl-string">"DepartmentName": dept_name,
                    class="hl-string">"AdmissionDate": admit_time,
                    class="hl-string">"DischargeDate": discharge_time
                })

            class=class="hl-string">"hl-comment"># 2. Get Orders (Labs, Procedures, Consults)
            orders = make_unity_request(class="hl-string">"GetOrders", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for order in orders:
                order_time = order.get(class="hl-string">'OrderDate')
                order_type = order.get(class="hl-string">'OrderType', class="hl-string">'').lower()
                order_name = order.get(class="hl-string">'OrderName', class="hl-string">'Unknown Order')
                
                class=class="hl-string">"hl-comment"># --- Activity: Diagnostic Test Ordered ---
                if class="hl-string">'lab' in order_type or class="hl-string">'imaging' in order_type or class="hl-string">'radiology' in order_type:
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Diagnostic Test Ordered",
                        class="hl-string">"EventDateTime": order_time,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_OrderName": order_name
                    })

                class=class="hl-string">"hl-comment"># --- Activity: Procedure Performed ---
                class=class="hl-string">"hl-comment"># Often procedures are orders with status completed or specific types
                if class="hl-string">'procedure' in order_type and order.get(class="hl-string">'Status') == class="hl-string">'Completed':
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Procedure Performed",
                        class="hl-string">"EventDateTime": order.get(class="hl-string">'CompletionDate', order_time),
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_ProcedureName": order_name
                    })
                    
                class=class="hl-string">"hl-comment"># --- Activity: Discharge Planning Initiated ---
                if class="hl-string">'discharge' in order_name.lower():
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Discharge Planning Initiated",
                        class="hl-string">"EventDateTime": order_time,
                        class="hl-string">"PatientMrn": mrn
                    })

            class=class="hl-string">"hl-comment"># 3. Get Results (Lab completion)
            results = make_unity_request(class="hl-string">"GetResults", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for res in results:
                result_time = res.get(class="hl-string">'ResultDate')
                if result_time:
                    class=class="hl-string">"hl-comment"># --- Activity: Diagnostic Test Completed ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Diagnostic Test Completed",
                        class="hl-string">"EventDateTime": result_time,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_ResultName": res.get(class="hl-string">'TestName', class="hl-string">'Unknown Test')
                    })

            class=class="hl-string">"hl-comment"># 4. Get Problems (Diagnosis)
            problems = make_unity_request(class="hl-string">"GetPatientProblems", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for prob in problems:
                onset_date = prob.get(class="hl-string">'OnsetDate') or prob.get(class="hl-string">'DateEntered')
                if onset_date:
                     class=class="hl-string">"hl-comment"># --- Activity: Diagnosis Confirmed ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Diagnosis Confirmed",
                        class="hl-string">"EventDateTime": onset_date,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"PrimaryDiagnosisCode": prob.get(class="hl-string">'ICD10', class="hl-string">''),
                        class="hl-string">"Attribute_DiagnosisName": prob.get(class="hl-string">'ProblemDescription', class="hl-string">'')
                    })

            class=class="hl-string">"hl-comment"># 5. Get Vitals
            vitals = make_unity_request(class="hl-string">"GetVitals", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for vit in vitals:
                taken_time = vit.get(class="hl-string">'DateTaken')
                if taken_time:
                    class=class="hl-string">"hl-comment"># --- Activity: Vitals Recorded ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Vitals Recorded",
                        class="hl-string">"EventDateTime": taken_time,
                        class="hl-string">"PatientMrn": mrn
                    })

            class=class="hl-string">"hl-comment"># 6. Get Clinical Notes (Assessments, Plans)
            class=class="hl-string">"hl-comment"># Sometimes accessed via GetNoteInfo or GetChart
            notes = make_unity_request(class="hl-string">"GetNoteInfo", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for note in notes:
                note_date = note.get(class="hl-string">'NoteDate')
                note_title = note.get(class="hl-string">'DocumentType', class="hl-string">'').lower()
                
                class=class="hl-string">"hl-comment"># --- Activity: Initial Assessment Completed ---
                if class="hl-string">'initial' in note_title or class="hl-string">'assessment' in note_title:
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Initial Assessment Completed",
                        class="hl-string">"EventDateTime": note_date,
                        class="hl-string">"PatientMrn": mrn
                    })
                
                class=class="hl-string">"hl-comment"># --- Activity: Treatment Plan Created ---
                if class="hl-string">'plan' in note_title or class="hl-string">'care' in note_title:
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Treatment Plan Created",
                        class="hl-string">"EventDateTime": note_date,
                        class="hl-string">"PatientMrn": mrn
                    })

            class=class="hl-string">"hl-comment"># 7. Med Administration (GetMedicationAdministration or inferred from Med History)
            meds = make_unity_request(class="hl-string">"GetMedicationAdministration", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for med in meds:
                admin_time = med.get(class="hl-string">'AdministrationDate')
                if admin_time:
                    class=class="hl-string">"hl-comment"># --- Activity: Medication Administered ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Medication Administered",
                        class="hl-string">"EventDateTime": admin_time,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_MedicationName": med.get(class="hl-string">'MedicationName', class="hl-string">'')
                    })

            class=class="hl-string">"hl-comment"># 8. Transfer Events (Infer from ADT or Audit log)
            class=class="hl-string">"hl-comment"># Simulating transfer extraction via AuditLog for Location changes
            audit_logs = make_unity_request(class="hl-string">"GetAuditLog", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for log in audit_logs:
                if class="hl-string">"Transfer" in log.get(class="hl-string">'EventName', class="hl-string">'') or class="hl-string">"Location Change" in log.get(class="hl-string">'EventName', class="hl-string">''):
                     class=class="hl-string">"hl-comment"># --- Activity: Transfer to Department ---
                     event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Transfer to Department",
                        class="hl-string">"EventDateTime": log.get(class="hl-string">'EventDate'),
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"DepartmentName": log.get(class="hl-string">'NewValue', class="hl-string">'Unknown Dept')
                     })

            class=class="hl-string">"hl-comment"># 9. Follow-up Scheduled
            if discharge_time:
                future_appts = make_unity_request(class="hl-string">"GetSchedule", {class="hl-string">"PatientID": patient_id, class="hl-string">"StartDate": discharge_time})
                for appt in future_appts:
                    class=class="hl-string">"hl-comment"># --- Activity: Follow-up Scheduled ---
                    class=class="hl-string">"hl-comment"># Note: We want the time the appt was BOOKED, but Unity usually gives ApptDate.
                    class=class="hl-string">"hl-comment"># We will use the creation date of the appt if available, otherwise ApptDate as proxy
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Follow-up Scheduled",
                        class="hl-string">"EventDateTime": appt.get(class="hl-string">'DateBooked', appt.get(class="hl-string">'ApptDate')), 
                        class="hl-string">"PatientMrn": mrn
                    })

        except Exception as e:
            print(fclass="hl-string">"Error processing encounter {enc.get('EncounterID')}: {e}")
            continue

    class=class="hl-string">"hl-comment"># Post-Processing: Create DataFrame
    df = pd.DataFrame(event_log)
    
    class=class="hl-string">"hl-comment"># Helper: Convert strings to datetime
    df[class="hl-string">'EventDateTime'] = pd.to_datetime(df[class="hl-string">'EventDateTime'], errors=class="hl-string">'coerce')
    df = df.dropna(subset=[class="hl-string">'EventDateTime', class="hl-string">'PatientEpisodeId'])
    
    class=class="hl-string">"hl-comment"># Calculate LOS and Readmission
    df[class="hl-string">'AdmissionDate'] = pd.to_datetime(df[class="hl-string">'AdmissionDate'], errors=class="hl-string">'coerce')
    df[class="hl-string">'DischargeDate'] = pd.to_datetime(df[class="hl-string">'DischargeDate'], errors=class="hl-string">'coerce')
    
    class=class="hl-string">"hl-comment"># LOS
    df[class="hl-string">'LengthOfStay'] = (df[class="hl-string">'DischargeDate'] - df[class="hl-string">'AdmissionDate']).dt.days

    class=class="hl-string">"hl-comment"># IsReadmission (Simplified: check if patient had previous discharge within 30 days)
    class=class="hl-string">"hl-comment"># Requires sorting by patient and admission time first
    class=class="hl-string">"hl-comment"># This is complex in a flat event log context, simplified here as placeholder logic
    df[class="hl-string">'IsReadmission'] = False 

    print(fclass="hl-string">"Extraction complete. Rows: {len(df)}")
    df.to_csv(OUTPUT_FILE, index=False)
    print(fclass="hl-string">"Data saved to {OUTPUT_FILE}")

if __name__ == class="hl-string">"__main__":
    extract_patient_journey()

Klaar om te beginnen?

Begin vandaag met het verbeteren van de patiëntervaring en de efficiëntie van de bedrijfsvoering. In de data vind je waardevolle inzichten waarmee je verbeteringen kunt doorvoeren.

Terug naar de verbetergids

Template downloaden

Verbeter patiënttrajecten in Veradigm

Verkort de doorlooptijd van patiënttrajecten met 30% en verbeter de zorgresultaten.

Start je gratis proefperiode

Geen creditcard nodig. Je kunt meteen aan de slag.

Datatemplate voor het patiënttraject

Datatemplate voor het patiënttraject

Attributen van het patiënttraject

Activiteiten in het patiënttraject

Extractiegidsen

Export van event logs uit de Allscripts Interface Engine

Stappen

Configuratie

Voorbeeldquery config

Data ophalen via de Veradigm Unity API met Python

Stappen

Configuratie

Voorbeeldquery python

Klaar om te beginnen?

Verbeter patiënttrajecten in Veradigm