> Continue procesverbetering > Patiëntreis > Veradigm (Allscripts) > Datatemplate

Jouw datatemplate voor de patiëntreis

Veradigm (Allscripts)

Kenmerken van de patiëntreis (19) Activiteiten binnen de patiëntreis (13) Extractiegidsen (2)

Jouw datatemplate voor de patiëntreis

Deze template biedt een gestructureerde aanpak om de data te verzamelen die je nodig hebt voor de analyse van je patiëntreisproces. De template beschrijft welke attributen en activiteiten je moet volgen en geeft praktische aanwijzingen voor het ophalen van deze informatie uit je bronsysteem. Gebruik deze bron om je data voor te bereiden op process mining.

Aanbevolen attributen voor een volledige analyse
Belangrijke activiteiten voor een nauwkeurige procesontdekking
Praktische aanwijzingen voor data-extractie uit je systeem

Nieuw met event logs? Leer hoe je een process mining-event log maakt.

Template downloaden

Kenmerken van de patiëntreis

Dit zijn de aanbevolen datavelden voor je event log voor een volledige analyse van het patiëntreisproces.

3 Verplicht 8 Aanbevolen 8 Optioneel

	Naam	Beschrijving
	Activiteitsnaam ActivityName	Het specifieke klinische of administratieve event dat is uitgevoerd.
Beschrijving Beschrijft de processtap die is uitgevoerd, zoals 'Patient Registered', 'Medication Administered' of 'Discharge Planning Initiated'. Dit attribuut onderscheidt de verschillende fasen van de patiëntreis en is essentieel voor process discovery en variantanalyse. Waarom dit belangrijk is Definieert de knooppunten in de procesmap. Zonder dit attribuut kun je geen procesflow visualiseren. Waar je het vindt Afgeleid uit verschillende transactionele tabellen: ADT-events, Orders, Results en Clinical Documentation-tabellen. Voorbeelden Patiënt geregistreerdDiagnostische test aangevraagdMedicatie toegediendPatiënt ontslagen
	Eventtimestamp EventDateTime	De exacte datum en tijd waarop de activiteit plaatsvond.
Beschrijving Legt het chronologische moment van de activiteit vast. Dit is belangrijk voor het berekenen van doorlooptijden en tijdsduur en voor het correct ordenen van de eventreeks. In zorgdata is precisie tot op de minuut nodig voor een betrouwbare analyse van de doorstroming. Waarom dit belangrijk is Maakt de berekening mogelijk van alle tijdgebaseerde KPI's, waaronder de gemiddelde doorlooptijd van de patiëntreis en wachttijden. Waar je het vindt Transactionele timestamps in brontabellen, bijvoorbeeld ADT_DATE, ORDER_DATE en RESULT_DATE. Voorbeelden 2023-10-12T08:30:00Z2023-10-12T14:45:22Z2023-10-15T09:00:00Z
	Patiënttraject PatientEpisodeId	Unieke identifier voor het specifieke patiëntbezoek of patiëntcontact.
Beschrijving Het patiënttraject is de primaire case-identifier. Hiermee groepeer je alle events die horen bij de zorgreis van een patiënt voor een specifieke aandoening of zorgperiode. Zo krijg je één geïntegreerd beeld van diagnose, behandeling en herstel, waarbij interacties met verschillende afdelingen met elkaar worden verbonden. 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 basis voor process mining. Hiermee kun je de patiëntreis van begin tot eind reconstrueren. Waar je het vindt Waarschijnlijk te vinden in de header van de Visit- of Encounter-tabellen, bijvoorbeeld VISIT_ID of ENCOUNTER_ID. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden EP-2023-998877VIS-10029384100029384ENC-554433
	Afdelingsnaam DepartmentName	De zorgeenheid of afdeling van het ziekenhuis waar de activiteit plaatsvond.
Beschrijving Geeft de locatiecontext aan, zoals 'Emergency Room', 'Cardiology' of 'Radiology'. Dit is belangrijk voor de analyse van knelpunten bij opname en overplaatsing, zodat je ziet waar patiënten vastlopen bij het verplaatsen tussen afdelingen. Waarom dit belangrijk is Ondersteunt analyse van het gebruik van bronnen en het vinden van knelpunten op afdelingsniveau. Waar je het vindt Mastertabellen voor locaties of afdelingen die aan de transactie zijn gekoppeld. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden Spoedeisende hulpICUAlgemene chirurgieRadiologie
	Behandelend zorgverlener AttendingProvider	De primaire zorgverlener die tijdens het event verantwoordelijk is voor de patiënt.
Beschrijving Identificeert de arts, verpleegkundige of specialist die de activiteit uitvoert of verantwoordelijk is voor het zorgplan. Door dit attribuut te analyseren, krijg je inzicht in het gebruik van klinische bronnen en verschillen in zorgpaden per arts. Waarom dit belangrijk is Maakt analyse van knelpunten in de inzet van bronnen en prestatievergelijking tussen klinische medewerkers mogelijk. Waar je het vindt Transactionele tabellen, bijvoorbeeld ORDERing_PROVIDER en ATTENDING_PHYSICIAN_ID. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden Dr. Sarah SmithNurse Practitioner JonesRadiology Tech A
	Is heropname IsReadmission	Vlag die aangeeft of deze episode binnen 30 dagen een heropname is.
Beschrijving Een berekend boolean-attribuut. Geeft true terug als de patiënt binnen 30 dagen vóór de huidige opnamedatum eerder is ontslagen. Dit vormt de basis voor de 'Avoidable Readmission Rate Monitor'. Waarom dit belangrijk is Belangrijke KPI voor ziekenhuiskwaliteit en vergoeding, vooral in het kader van CMS-regelgeving. Waar je het vindt Berekend in de ETL-/data-transformatielaag met PatientMRN en opname- en ontslagdatums. Voorbeelden truefalse
	Ontslagbestemming DischargeDisposition	De status of locatie van de patiënt bij ontslag.
Beschrijving Geeft aan waar de patiënt na de ziekenhuisopname naartoe ging, bijvoorbeeld 'Home', 'Skilled Nursing Facility', 'Expired' of 'Transfer'. Dit is belangrijk voor het analyseren van het risico op heropname, omdat verschillende ontslagbestemmingen verschillende risicoprofielen hebben. Waarom dit belangrijk is Geeft context aan het dashboard voor ontslagplanning en helpt verschillen in ALOS te verklaren. Waar je het vindt Header van de Visit- of Encounter-tabel, bijvoorbeeld DISCH_DISP. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden Naar huisOvergeplaatst naar een 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 het traject markeert. Deze gebruik je om de case in process mining af te sluiten. De timestamp is ook nodig voor berekeningen van ALOS en heropnames. Waarom dit belangrijk is Bepaalt het einde van de procescyclus en is belangrijk voor de analyse van de doorstroming. Waar je het vindt Header van de Visit- of Encounter-tabel, bijvoorbeeld 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 verblijfsduur (ALOS) te berekenen. Waarom dit belangrijk is Belangrijk ijkpunt voor de berekening van ALOS en het meten van vertragingen bij opname. Waar je het vindt Header van de Visit- of Encounter-tabel, bijvoorbeeld ADMIT_DATE. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden 2023-10-01T10:00:00Z2023-10-05T14:20:00Z
	Patiënt-MRN PatientMrn	Medical Record Number waarmee de patiënt over verschillende trajecten heen uniek wordt geïdentificeerd.
Beschrijving Het Medical Record Number (MRN) of Enterprise Patient ID. In tegenstelling tot de Patient Episode ID blijft deze identifier voor dezelfde patiënt gelijk bij verschillende bezoeken. Dit is de belangrijkste sleutel om afzonderlijke trajecten 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 je het vindt Masterindex van patiënten of demografische tabellen, waarschijnlijk met de kolommen MRN en PATIENT_ID. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden MRN-884422P-10022399887766
	Primaire diagnosecode PrimaryDiagnosisCode	De ICD-10- of SNOMED-code die de belangrijkste aandoening vertegenwoordigt.
Beschrijving De gecodeerde reden voor het bezoek van de patiënt. Dit attribuut is de filter voor de 'Treatment Pathway Variation Explorer'. Hiermee kunnen analisten vergelijken hoe verschillende aandoeningen, zoals longontsteking en hartfalen, door het systeem lopen. Waarom dit belangrijk is Nodig om processen per klinische aandoening te segmenteren en de naleving van protocollen te controleren. Waar je het vindt 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 Identificeert de softwareomgeving die de data levert, zoals 'Veradigm Sunrise' of 'Veradigm TouchWorks'. Dit is vooral belangrijk in omgevingen met meerdere ziekenhuizen of wanneer je data uit acute en ambulante zorg combineert. 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 je het vindt Vast ingesteld tijdens het ETL-proces of geëxtraheerd uit metadatatabellen van het systeem. Voorbeelden Veradigm SunriseAllscripts PMVeradigm TouchWorks
	Datum vervolgafspraak FollowUpAppointmentDate	Datum van de geplande vervolgafspraak.
Beschrijving Wordt gebruikt om de 'Follow-up Appt Scheduled Rate' te berekenen. Als dit veld is ingevuld, betekent dit dat er een vervolgafspraak is gepland. Als het veld null of leeg is, is dat niet het geval. Waarom dit belangrijk is Meet rechtstreeks de KPI 'Follow-up Care Compliance'. Waar je het vindt Planningssysteem 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 het testresultaat.
Beschrijving Berekende duur tussen 'Diagnostic Test Ordered' en 'Diagnosis Confirmed' of het ontvangen van het resultaat. Wordt gebruikt voor het 'Diagnostic Turnaround Time Overview'. Waarom dit belangrijk is Lange doorlooptijden verlengen de opnameduur. Deze metriek maakt vertragingen in het laboratorium en de radiologie zichtbaar. Waar je het vindt Berekend als: Timestamp(Result) - Timestamp(Order). Voorbeelden 2 uur45 minuten1,5 dag
	Kostenplaats CostCenter	De financiële code die aan de afdeling of dienstverlening is gekoppeld.
Beschrijving Koppelt de klinische activiteit aan een financiële eenheid. Hiermee kun je de 'Activity Cost' of de generieke financiële prestaties van verschillende afdelingen analyseren. Waarom dit belangrijk is Verbindt process mining van de bedrijfsvoering met financiële impact. Waar je het vindt Tabellen met afdelingen of Charge master. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden CC-1020CC-Rad-01Emergency-001
	Laatste data-update LastDataUpdate	Timestamp waarop het record voor het laatst is geëxtraheerd of bijgewerkt.
Beschrijving Geeft aan hoe actueel de data voor de analyse is. Met dit veld zien gebruikers of ze naar realtime data kijken of naar een momentopname uit een eerdere periode. Waarom dit belangrijk is Zorgt voor transparantie over datavertraging en helpt bij strategieën voor incrementeel laden van data. Waar je het vindt 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 medicijn.
Beschrijving Specifiek gebruikt voor het dashboard met tijdsverschillen bij medicatietoediening. Hiermee kun je zien of de toediening van bepaalde medicijnen, zoals antibiotica of pijnmedicatie, vertraging oploopt. Waarom dit belangrijk is Belangrijk voor analyses van klinische veiligheid en het optimaliseren van apotheekprocessen. Waar je het vindt Medication Administration Record (MAR) of apotheekorders. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden AmoxicillineHeparineMorfinesulfaat
	Order-ID OrderId	Identifier voor specifieke orders, zoals laboratoriumtests, medicatie en procedures.
Beschrijving Koppelt het event 'Order' aan het event 'Result' of 'Administration'. Zo kun je bijvoorbeeld 'Diagnostic Test Ordered' koppelen aan 'Diagnostic Test Completed'. Deze granulariteit is nodig voor het dashboard met diagnostische doorlooptijden. Waarom dit belangrijk is Maakt het mogelijk om de duur van specifieke processtappen te berekenen, zoals de doorlooptijd van laboratoriumtests. Waar je het vindt Orderinvoertabellen, bijvoorbeeld ORDER_ID en PLACER_ORDER_NUM. Raadpleeg de documentatie van Veradigm (Allscripts). Voorbeelden ORD-998877LAB-112233RX-445566
	Protocolconform IsProtocolCompliant	Vlag die aangeeft of de case het standaardzorgpad heeft gevolgd.
Beschrijving Een berekend attribuut dat controleert of specifieke verplichte activiteiten, zoals 'Vitals Recorded' vóór 'Medication Administered', in de juiste volgorde hebben plaatsgevonden. Ondersteunt het 'Care Protocol Adherence Dashboard'. Waarom dit belangrijk is Automatiseert het opsporen van afwijkingen van de compliance zonder handmatige dossiercontrole. Waar je het vindt Berekend in de process mining-tool of ETL op basis van de activiteitenvolgorde. Voorbeelden truefalse

Verplicht Aanbevolen Optioneel

Activiteiten binnen de patiëntreis

Dit zijn de belangrijkste processtappen en mijlpalen die je in je event log moet vastleggen voor een nauwkeurige procesontdekking van de patiëntreis.

6 Aanbevolen 7 Optioneel

	Activiteit	Beschrijving
	Behandelplan aangemaakt	Dit staat voor het vastleggen van het formele behandelplan door het klinische team. Vaak wordt dit geregistreerd wanneer een document met een 'Plan of Care' of een eerste set behandelorders in het EPD wordt aangemaakt en ondertekend.
Waarom dit belangrijk is Dit ijkpunt start de actieve behandelfase. Het vormt de basis voor het meten van naleving van zorgprotocollen en de tijd tot de eerste behandelactie, zoals het toedienen van medicatie. Waar je het vindt Afgeleid van de ondertekentimestamp van een 'Plan of Care'-formulier of de aanmaaktimestamp van de eerste belangrijke set therapeutische orders na de diagnose. Vastleggen Zoek de timestamp waarop een document met een 'Plan of Care' door de behandelend zorgverlener definitief wordt gemaakt of ondertekend. Eventtype inferred
	Diagnose bevestigd	Deze activiteit betekent dat een zorgverlener officieel een diagnose in het patiëntdossier heeft vastgelegd. Dit kan worden geregistreerd wanneer een diagnosecode aan de probleemplijst wordt toegevoegd of wanneer een klinische notitie met de diagnose wordt ondertekend.
Waarom dit belangrijk is Het bevestigen van de diagnose is een belangrijk keerpunt dat het verdere behandelpad bepaalt. Je kunt hiermee verschillen in behandelroutes voor verschillende diagnoses analyseren. Waar je het vindt Je vindt dit in de probleemplijst, diagnosegegevens van het patiëntcontact of klinische documentatie. Je kunt het afleiden uit de timestamp waarop een primaire diagnosecode voor het patiëntcontact wordt ingevoerd en definitief gemaakt. Vastleggen Gebruik de aanmaak- of updatetimestamp van de primaire diagnose voor het specifieke patiënttraject. Eventtype inferred
	Eerste beoordeling afgerond	Dit staat voor het afronden van de eerste klinische beoordeling door een verpleegkundige of arts, zoals triage of de eerste intake. Vaak wordt dit vastgelegd wanneer een specifiek klinisch formulier of verslag, zoals een 'Nursing Initial Assessment', in het EPD wordt ondertekend en definitief gemaakt.
Waarom dit belangrijk is Deze activiteit is een belangrijk vroeg ijkpunt. De tijd tussen registratie en deze beoordeling laat mogelijke vertragingen bij de intake en eerste zorg zien. Waar je het vindt Afgeleid van de timestamp waarop formulieren of klinische notities voor de eerste beoordeling in de klinische documentatiemodules van Veradigm definitief worden gemaakt of ondertekend. Vastleggen Bepaal de timestamp waarop de status van de notitie of het formulier voor de eerste beoordeling verandert in 'completed' of 'signed'. Eventtype inferred
	Ontslagplanning gestart	Dit staat voor de formele start van de ontslagplanning voor een patiënt. Je kunt dit afleiden uit het aanmaken van een ontslagplandocument, het plaatsen van een ontslagorder 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 je het vindt Afgeleid van de aanmaaktimestamp van een notitie over ontslagplanning, een set ontslagorders of een specifiek beoordelingsformulier in Veradigm. Vastleggen Bepaal de timestamp waarop voor het eerst een ontslagspecifieke order of een ontslagdocument voor het patiëntcontact wordt aangemaakt. Eventtype inferred
	Patiënt geregistreerd	Dit markeert het officiële begin van het patiënttraject, zodra de gegevens van de patiënt in het Veradigm-systeem zijn ingevoerd. Meestal wordt dit event expliciet vastgelegd wanneer een gebruiker de registratieworkflow afrondt. Daarbij wordt een nieuw patiëntcontact aangemaakt met een unieke identifier en timestamp.
Waarom dit belangrijk is Dit is de belangrijkste startactiviteit van de patiëntreis. Je hebt deze nodig om de totale doorlooptijd van het proces, de verblijfsduur en de doorstroming van patiënten te berekenen. Waar je het vindt Dit event wordt vastgelegd in de patiëntenregistratie- of ADT-module (Admission, Discharge, Transfer). Zoek naar de timestamp waarop het patiëntcontact of bezoekrecord is aangemaakt. Vastleggen Timestamp uit de tabel met patiëntcontacten of registraties, op het moment dat het record wordt aangemaakt. Eventtype explicit
	Patiënt ontslagen	Dit markeert het officiële einde van het klinische patiënttraject, wanneer de patiënt formeel uit de instelling wordt ontslagen. Het is een belangrijk, expliciet event in het ADT-systeem, dat de status van het patiëntcontact wijzigt naar 'discharged'.
Waarom dit belangrijk is Dit is voor de meeste patiëntreizen de belangrijkste eindactiviteit. Je hebt deze nodig om de gemiddelde verblijfsduur (ALOS) en de totale doorlooptijd van het proces te berekenen. Waar je het vindt Expliciet vastgelegd in de ADT-module. Het patiëntcontactrecord bevat een ontslagt timestamp en ontslagbestemming. Vastleggen Gebruik de ontslagt timestamp uit het hoofdrecord van het patiëntcontact of bezoek. Eventtype explicit
	Diagnostische test aangevraagd	Dit event vindt plaats wanneer een zorgverlener een diagnostische test aanvraagt, zoals een laboratoriumtest of beeldvormend onderzoek. Het 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 diagnostische doorlooptijden en het vinden van vertragingen bij het aanvragen van tests. Waar je het vindt Vastgelegd in de ordermodule of de logboeken van het CPOE-systeem. Elke order heeft een timestamp die aangeeft wanneer deze is geplaatst. Vastleggen Haal de aanmaaktimestamp uit de orderrecords voor de relevante diagnostische tests. Eventtype explicit
	Diagnostische test afgerond	Dit is het moment waarop de resultaten van een diagnostische test definitief zijn gemaakt en beschikbaar zijn in het patiëntdossier. Meestal leid je dit af uit een statuswijziging van de oorspronkelijke order, van 'active' of 'in-progress' naar 'completed' of 'resulted'.
Waarom dit belangrijk is Deze activiteit is een belangrijk ijkpunt voor het meten van diagnostische doorlooptijden. Vertraging tussen het aanvragen en afronden van een test kan de tijd tot de diagnose aanzienlijk verlengen. Waar je het vindt Afgeleid van het orderstatusveld in de ordermodule of van timestamps in de bijbehorende resultatenmodule, zoals LIS of RIS. Vastleggen Bepaal de timestamp waarop de orderstatus verandert naar een eindstatus zoals 'Completed' of 'Resulted'. Eventtype inferred
	Follow-up ingepland	Deze activiteit staat voor het inplannen van een vervolgafspraak na het ontslag. Het event wordt vastgelegd in de planningsmodule wanneer een afspraak wordt geboekt die aan het ontslagen patiëntcontact is gekoppeld.
Waarom dit belangrijk is Een geplande vervolgafspraak is belangrijk voor continuïteit van zorg en het verminderen van heropnames. Met deze activiteit kun je de naleving van protocollen na ontslag meten. Waar je het vindt Vastgelegd in de afsprakenplanningsmodule. Zoek naar de aanmaaktimestamp van een nieuwe afspraak voor de patiënt die na de ontslagdatum plaatsvindt. Vastleggen Bepaal de aanmaaktimestamp van een afspraakrecord in het planningssysteem dat aan de patiënt is gekoppeld. Eventtype explicit
	Medicatie toegediend	Dit event wordt vastgelegd wanneer een verpleegkundige of zorgverlener documenteert dat medicatie aan de patiënt is toegediend. 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 tijdigheid en naleving van de behandeling te analyseren. Het verschil tussen voorschrijven en toedienen laat vertragingen in het medicatieproces zien. Waar je het vindt Expliciet vastgelegd in de eMAR-module (electronic Medication Administration Record). Elk toedieningsevent bevat een specifieke timestamp, het medicijn en de dosering. Vastleggen Haal de timestamps uit de eMAR-tabel voor elk medicatietoedieningsevent dat aan het patiëntcontact is gekoppeld. Eventtype explicit
	Overgeplaatst naar afdeling	Dit event 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 van Veradigm.
Waarom dit belangrijk is Overplaatsingen van patiënten zijn vaak momenten waarop bottlenecks en vertragingen ontstaan. Door de duur en frequentie van overplaatsingen te analyseren, kun je de patiëntenstroom en de verdeling van bronnen tussen afdelingen verbeteren. Waar je het vindt Expliciet vastgelegd in de ADT-module. Elk overplaatsevent bevat de patiënt, de locatie van vertrek en aankomst en een timestamp. Vastleggen Haal de event logs uit het ADT-systeem die bij de verplaatsingen van patiënten horen. Eventtype explicit
	Procedure uitgevoerd	Dit staat voor het afronden van een klinische of chirurgische procedure. Meestal wordt dit vastgelegd wanneer een zorgverlener de procedurenotitie ondertekent of wanneer de status van de procedureorder in het systeem wordt gewijzigd naar 'completed'.
Waarom dit belangrijk is Procedures zijn in veel patiëntreizen belangrijke ijkpunten. Door het tijdstip ervan te analyseren, krijg je zicht op het gebruik van bronnen en de efficiëntie van de planning. Waar je het vindt Afgeleid van de ondertekentimestamp van een procedurenotitie in de klinische documentatiemodule of de voltooiingstimestamp in de ordermodule voor die procedure. Vastleggen Gebruik de voltooiingstimestamp van de procedureorder of de ondertekentimestamp van de bijbehorende proceduredocumentatie. Eventtype inferred
	Vitale waarden geregistreerd	Deze activiteit vindt plaats telkens wanneer de vitale waarden van een patiënt, zoals hartslag, bloeddruk en temperatuur, worden geregistreerd. Het is een expliciet event in de klinische documentatie of de specifieke flowsheetsectie voor vitale waarden van het EPD.
Waarom dit belangrijk is Regelmatige registratie van vitale waarden wijst op actieve monitoring van de patiënt. Je kunt de frequentie en timing analyseren om te controleren of monitoringprotocollen worden nageleefd. Waar je het vindt Vastgelegd in de klinische datarepository of flowsheettabellen waarin vitale waarden worden opgeslagen. Elke invoer heeft een timestamp. Vastleggen Haal de timestamps uit de flowsheetdata met vitale waarden voor het patiëntcontact. Eventtype explicit

Aanbevolen Optioneel

Extractiegidsen

Zo haal je data op uit Veradigm (Allscripts)

Stappen

Bepaal het doelkanaal: Meld je aan bij de Allscripts Interface Engine (AIE) Management Console. Zoek het primaire interfacekanaal dat inkomende berichten uit het EHR verwerkt, meestal met de naam 'EHR_Inbound' of iets vergelijkbaars. Controleer of dit kanaal de berichttypen ADT, SIU, ORM, ORU, RAS en DFT verwerkt, zodat je de volledige patiëntreis vastlegt.
Maak een nieuw passthrough-/exportkanaal: 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 deze om naar een plat bestandsformaat (CSV) voor ProcessMind.
Configureer de routering van berichten: Stel in de AIE-routeringsregels een kopieer-/routeringsregel in 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 (facturatie/procedures).
Definieer de transformatielogica: Open in het kanaal 'ProcessMining_Export' de Transformation-/Script-editor. Implementeer een parseerscript, zie de sectie 'query' hieronder, dat de onbewerkte HL7-segmenten leest en specifieke Trigger Events en statuscodes koppelt aan de vereiste standaard Activity Names, bijvoorbeeld 'ADT^A01' aan 'Patient Registered'.
Koppel attributen aan HL7-velden: Zorg dat het script 'PatientEpisodeId' uit segment PV1-19 (Visit Number) haalt en 'PatientMrn' uit PID-3. Koppel 'EventDateTime' aan MSH-7 of EVN-2. Haal klinische details op, zoals 'DepartmentName' uit PV1-3 en 'AttendingProvider' uit PV1-7.
Stel parameters voor het uitvoerbestand in: Configureer de instellingen van File Writer. Stel de uitvoermap in op een beveiligd netwerkpad. Definieer de naamgevingsconventie voor bestanden, bijvoorbeeld EventLog_YYYYMMDD_HH.csv. Stel de bestandsmodus in op 'Append' om voortdurend rijen aan het log toe te voegen.
Verwerk scheidingstekens en speciale tekens: Zorg er in het script voor dat tekstvelden, zoals Diagnosis of Department Name, worden opgeschoond. Verwijder komma's en regeleinden om te voorkomen dat de CSV-structuur wordt doorbroken.
Activeer en test: Start het kanaal 'ProcessMining_Export'. Genereer een testevent in de testomgeving van Veradigm, bijvoorbeeld door een testpatiënt te registreren. Controleer of er een nieuwe rij in het CSV-bestand verschijnt met de juiste Activity Name en timestamp.
Configureer logrotatie: Stel een rotatieschema in, bijvoorbeeld dagelijks om middernacht, om het huidige CSV-bestand te sluiten en een nieuw bestand te starten. Zo blijven bestanden beheersbaar qua omvang voor upload.
Historische data opnieuw afspelen (optioneel): Gebruik de AIE-tools 'Message Browser' of 'Log Replay' om gearchiveerde HL7-logs van de afgelopen 3 tot 6 maanden opnieuw door het kanaal 'ProcessMining_Export' te sturen. Houd de systeemprestaties in de gaten om vertraging te voorkomen.
Ophalen en formatteren: Open de uitvoermap, haal de gegenereerde CSV-bestanden op en controleer of de kopteksten aan de vereisten voldoen. Voeg dagelijkse bestanden indien nodig samen.
Uploaden naar ProcessMind: Importeer de uiteindelijke dataset in ProcessMind. Koppel 'PatientEpisodeId' aan Case ID, 'ActivityName' aan Activity 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 (|)
Datumindeling: ISO 8601 (YYYY-MM-DDTHH:MM:SS), aanbevolen voor het omzetten van HL7-timestamps
Logrotatie: dagelijks of wanneer de bestandsgrootte groter wordt dan 100 MB
Schrijfmodus: Append, niet overschrijven
Prestaties: Zorg dat het transformatiescript licht blijft om wachtrijen en achterstanden in de engine te voorkomen.

a 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

Vereisten en toegang: Zorg dat je geldige inloggegevens hebt voor de Veradigm (Allscripts) Unity API. Je hebt een Appname nodig, een Application Name die voor jouw organisatie is geautoriseerd, plus een geldige UserID en Password of token voor authenticatie. Controleer of het gebruikersaccount toegang heeft tot de klinische domeinen Encounters, Orders, Results, Vitals en Problems.
Omgeving instellen: Installeer Python 3.8 of hoger. Installeer de benodigde bibliotheken met pip: pip install requests pandas. Deze gebruik je voor HTTP-aanvragen aan de Unity API en voor het bewerken van de opgehaalde data.
Configuratie: Open het meegeleverde Python-script. Zoek bovenaan de sectie CONFIGURATION. Pas API_URL aan naar het endpoint van jouw Unity-omgeving, bijvoorbeeld unity.veradigm.com of een interne gateway. Vervang de tijdelijke inloggegevens ([YourAppName], [YourUserID] enzovoort) door je eigen gegevens. Stel START_DATE en END_DATE in op de gewenste analyseperiode.
Overzicht van de scriptlogica: Het script authenticeert eerst bij de API om een beveiligingstoken op te halen. Daarna roept het GetEncounterInfo aan om alle patiëntepisodes binnen het opgegeven datumbereik op te halen. Deze lijst met encounters vormt de basis voor de extractie.
Extractielus voor activiteiten: Voor elke gevonden EncounterID voert het script aanvullende API-aanroepen uit naar gespecialiseerde endpoints. GetOrders haalt diagnostische tests en procedures op. GetResults zoekt afgeronde tests. GetVitals haalt registraties van vitale waarden op. GetPatientProblems zoekt bevestigde diagnoses. Het script doorloopt klinische notities om beoordelingen en behandelplannen te vinden.
Datatransformatie: Zodra de API onbewerkte JSON-data teruggeeft, leest het script specifieke velden uit en koppelt deze aan het ProcessMind-schema. Zo wordt OrderDateTime gekoppeld aan EventDateTime voor de activiteit 'Diagnostic Test Ordered'. Het script gebruikt PatientEpisodeId (Encounter ID) consequent voor alle onderliggende records.
ADT en overplaatsingen verwerken: De scriptlogica controleert de locatiegeschiedenis van de encounter, als die via specifieke Audit- of ADT-aanroepen beschikbaar is. Anders leidt het script overplaatsingen af uit afdelingswijzigingen in de klinische documentatie om events 'Transfer to Department' te genereren.
Logica voor vervolgafspraken: Na het verwerken van de encounter vraagt het script met GetSchedule de afspraken voor dezelfde PatientID op. Het zoekt naar afspraakdatums na DischargeDate om de activiteit 'Follow-up Scheduled' te genereren.
Validatie: Het script bevat een lokale validatiestap die het aantal rijen per activiteitstype naar de console schrijft. Controleer deze uitvoer en kijk of geen activiteitstype nul records heeft, tenzij dat verwacht wordt.
Export: 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-indeling (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 Activity en EventDateTime aan Timestamp.

Configuratie

API_URL: De basis-URL voor de Unity API-services. Deze verschilt per klantinstallatie, bijvoorbeeld on-premise of in de cloud. Controleer of het protocol, zoals https, klopt.
Appname: De unieke applicatie-ID die bij Veradigm/Allscripts is geregistreerd. Deze bepaalt tot welke data je toegang hebt.
Datumbereik: Een extractievenster van 3 tot 6 maanden wordt aanbevolen. Grote bereiken kunnen een time-out veroorzaken. Overweeg om bij grote volumes per maand batches te maken.
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 doorloopt elke encounter afzonderlijk. Bij systemen met grote volumes kan het nodig zijn om het script aan te passen voor bulkophaling, als de endpoints dit ondersteunen, of om parallelle threads te gebruiken.
Koppelingslogica: Het script koppelt 'OrderType' aan activiteiten. Controleer of de specifieke ordertypecodes van jouw systeem, zoals 'Lab' en 'Rad', overeenkomen met de logica in de functie process_orders.

a 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 aan de slag te gaan?

Ga vandaag nog aan de slag met het verbeteren van de patiëntervaring en de efficiëntie van je bedrijfsvoering. In je data vind je de informatie om waardevolle inzichten te ontdekken en duidelijke verbeteringen door te voeren.

Terug naar de verbetergids Template downloaden

Optimaliseer vandaag nog patiëntreizen in Veradigm

Realiseer 30% kortere doorlooptijden voor patiënten en betere zorgresultaten.

Start je gratis proefperiode

Je hebt geen creditcard nodig. Je kunt meteen aan de slag.

Jouw datatemplate voor de patiëntreis

Jouw datatemplate voor de patiëntreis

Kenmerken van de patiëntreis

Activiteiten binnen de patiëntreis

Extractiegidsen

Event log-export uit de Allscripts Interface Engine

Stappen

Configuratie

a Voorbeeldquery config

Extractie via de Veradigm Unity API met Python

Stappen

Configuratie

a Voorbeeldquery python

Klaar om aan de slag te gaan?

Optimaliseer vandaag nog patiëntreizen in Veradigm

Jouw datatemplate voor de patiëntreis

Jouw datatemplate voor de patiëntreis

Kenmerken van de patiëntreis

Activiteiten binnen de patiëntreis

Extractiegidsen

Event log-export uit de Allscripts Interface Engine

Stappen

Configuratie

a Voorbeeldquery config

Extractie via de Veradigm Unity API met Python

Stappen

Configuratie

a Voorbeeldquery python

Klaar om aan de slag te gaan?

Optimaliseer vandaag nog patiëntreizen in Veradigm

We respecteren je privacy