> Continue procesverbetering > Patiëntreis > athenahealth > Datatemplate

Jouw datatemplate voor patiëntreizen

athenahealth

Kenmerken van de patiëntreis (19) Activiteiten binnen de patiëntreis (15) Extractiegidsen (2)

Jouw datatemplate voor patiëntreizen

Deze template helpt je bij het verzamelen van de data die je nodig hebt om je patiëntreis te analyseren. Je ziet welke attributen en activiteiten je moet volgen en hoe je deze informatie uit athenahealth haalt. Gebruik deze bron om te controleren of je data klaar is voor effectieve process mining.

Aanbevolen attributen om te verzamelen
Belangrijkste activiteiten om te volgen
Extractie-instructies voor athenahealth

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, essentieel voor een volledige analyse en een helder beeld van de patiëntreizen.

5 Verplicht 9 Aanbevolen 5 Optioneel

	Naam	Beschrijving
	Activiteitsnaam ActivityName	De naam van de gebeurtenis of taak die tijdens het patiënttraject wordt uitgevoerd.
Beschrijving Geeft de specifieke stap in het proces aan, zoals 'Patient Checked In', 'Diagnostic Test Ordered' of 'Medication Administered'. Deze tekst bepaalt de knooppunten in de procesmap. Wordt gebruikt om de procesflow te visualiseren en de volgorde van activiteiten te bepalen. Standaardisatie van deze namen is essentieel voor een overzichtelijke en leesbare procesmap. Waarom dit belangrijk is Bepaalt de stappen in de procesmap en is verplicht voor elke process-mininganalyse. Waar je het vindt Afgeleid uit auditlogs, statuswijzigingen van afspraken of omschrijvingen van declaratieregels. Voorbeelden Afspraak geplandPatiënt ingechecktDiagnostische test aangevraagdPatiënt ontslagen
	Bronsysteem SourceSystem	De naam van het systeem waaruit de data afkomstig is.
Beschrijving Identificeert het IT-systeem dat verantwoordelijk is voor het genereren van het record, in dit geval 'athenahealth'. Dit is vooral nuttig in omgevingen met meerdere systemen waarin data kan worden gecombineerd. Hiermee kunnen analisten de weergave filteren op databron en problemen met de datakwaliteit opsporen die specifiek zijn voor één systeem. Waarom dit belangrijk is Biedt inzicht in de herkomst van data en context in process-miningopstellingen met meerdere systemen. Waar je het vindt Hardgecodeerde waarde of ID uit de systeemconfiguratie. Voorbeelden athenahealthAthenaOneAthenaPractice
	Event-timestamp EventTimestamp	De specifieke datum en tijd waarop de activiteit plaatsvond.
Beschrijving Legt het exacte moment vast waarop een activiteit plaatsvond. Dit wordt gebruikt om gebeurtenissen chronologisch te ordenen en de tijd tussen stappen te berekenen. Belangrijk voor tijdgebaseerde analyses, waaronder doorlooptijden, wachttijden en throughputanalyses. Een hoge precisie heeft de voorkeur om de volgorde te bepalen van gebeurtenissen die op dezelfde dag plaatsvinden. Waarom dit belangrijk is Nodig om gebeurtenissen te ordenen en alle tijdgebaseerde KPI's te berekenen. Waar je het vindt Timestampvelden die gekoppeld zijn aan statuswijzigingen of aanmaakdatums in athenahealth-tabellen. Voorbeelden 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Laatste data-update LastDataUpdate	De timestamp waarop de data voor het laatst is geëxtraheerd of vernieuwd.
Beschrijving Geeft aan hoe actueel de data voor de analyse is. Zo begrijpen gebruikers of ze naar realtime data of een historische momentopname kijken. Wordt gebruikt om datapijplijnen te beheren en ervoor te zorgen dat dashboards de meest actuele processtatus tonen. Waarom dit belangrijk is Belangrijk voor datagovernance en het vertrouwen van gebruikers in de actualiteit van het dashboard. Waar je het vindt Systeemtijd op het moment dat de ETL-uitvoering plaatsvond. Voorbeelden 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Patiënttraject PatientEpisodeId	Unieke identificatie voor het specifieke patiënttraject.
Beschrijving Dit attribuut is de centrale Case Identifier die alle activiteiten voor een specifieke zorgperiode of aandoening van een patiënt groepeert. Het verbindt afzonderlijke gebeurtenissen, zoals afspraken, diagnostische orders en ontslagprocedures, tot één samenhangend traject. In analyses is deze ID de primaire sleutel voor process mining, waarmee je de end-to-endflow kunt reconstrueren. Zo worden meerdere bezoeken van dezelfde patiënt voor verschillende aandoeningen als afzonderlijke procesinstanties behandeld. Waarom dit belangrijk is Essentieel om binnen de analyse de scope van één procesinstantie te bepalen. Waar je het vindt Afgeleid door Encounter ID's te groeperen of gekoppeld aan een specifieke Episode of Care ID in athenahealth. Voorbeelden EP-2023-88491EP-2023-99102ENC-55412-GRP
	Eindtijd van gebeurtenis EventEndTime	Het tijdstip waarop de specifieke activiteit is afgerond.
Beschrijving Legt het afrondingstijdstip van een activiteit vast. Zo kun je de actieve duur, oftewel de verwerkingstijd, van de stap zelf berekenen, los van de wachttijd ervoor. Wordt gebruikt om de efficiëntie van bronnen te analyseren en taken te identificeren die handmatig langer duren dan verwacht. Waarom dit belangrijk is Maakt het mogelijk om actieve verwerkingstijd te berekenen en die te onderscheiden van passieve wachttijd. Waar je het vindt Uitchecktijd, tijdstip waarop een resultaat is geverifieerd of specifieke afrondingstimestamps in athenahealth. Voorbeelden 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Is heropname IsReadmission	Vlag die aangeeft of deze episode een ongeplande terugkeer vertegenwoordigt.
Beschrijving Een booleaanse indicator die aangeeft of de patiënt binnen een bepaalde periode, bijvoorbeeld 30 dagen, na een eerder ontslag opnieuw in het ziekenhuis is opgenomen. Dit ondersteunt rechtstreeks de KPI 'Percentage ongeplande heropnames'. Door op dit attribuut te filteren, kunnen analisten de onderliggende oorzaken van heropnames onderzoeken en patronen in de oorspronkelijke behandeltrajecten herkennen. Waarom dit belangrijk is Ondersteunt rechtstreeks de KPI Heropnamepercentage. Waar je het vindt Berekend tijdens ETL door de opnamedatum te vergelijken met de vorige ontslagdatum. Voorbeelden truefalse
	Leeftijdsgroep patiënt PatientAgeGroup	Categorische indeling van de leeftijd van de patiënt, bijvoorbeeld 18-25 of 65+.
Beschrijving Deelt patiënten in demografische groepen in. Dit is rechtstreeks nodig voor het dashboard 'Vergelijking van patiënttrajecten per leeftijdsgroep en diagnose'. Zo kun je bepalen of procesinefficiënties of resultaten bepaalde leeftijdsgroepen onevenredig raken, zoals ouderen of kinderen. Waarom dit belangrijk is Standaard demografische segmentatie voor analyse van zorgprocessen. Waar je het vindt Afgeleid van de geboortedatum van de patiënt en StartTime. Voorbeelden 18-2930-4965+
	Naam afdeling DepartmentName	De ziekenhuis- of kliniekafdeling waar de activiteit plaatsvond.
Beschrijving Deelt de procesdata op per functionele eenheid, zoals Spoedeisende hulp, Cardiologie of Radiologie. Dit is essentieel voor het dashboard 'Doorstroming en overdrachten tussen afdelingen'. Analyse met dit attribuut brengt knelpunten in specifieke gebieden aan het licht en helpt de patiëntdoorstroming tussen afdelingen te verbeteren. Waarom dit belangrijk is Belangrijk om organisatorische knelpunten en inefficiënte overdrachten op te sporen. Waar je het vindt athenahealth 'departmentid', gekoppeld aan de afdelingsnaam. Voorbeelden Spoedeisende hulpInterne geneeskundeRadiologie
	Naam zorgverlener ProviderName	De naam van de zorgprofessional die de activiteit uitvoert.
Beschrijving Identificeert de specifieke arts, verpleegkundige of technicus die verantwoordelijk is voor de gebeurtenis. Dit attribuut vormt de basis voor analyses van het gebruik van bronnen. Hiermee kun je prestatiemaatstaven, zoals throughput en doorlooptijd, tussen medewerkers vergelijken om opleidingsbehoeften of een onevenwichtige werkverdeling op te sporen. Waarom dit belangrijk is Belangrijk voor de 'Resource Utilization Rate' en het analyseren van overdrachten. Waar je het vindt athenahealth 'providerid', gekoppeld aan de naam in de zorgverlenersdirectory. Voorbeelden Dr. SmithNurse JonesTech Adams
	Ontslagbestemming DischargeDisposition	De bestemming of status van de patiënt bij ontslag.
Beschrijving Geeft aan waar de patiënt na het traject naartoe ging, zoals 'Thuis', 'Verpleegzorginstelling' of 'Hospice'. Dit is belangrijk voor 'Ontslagplanning en trends in heropnames'. Het biedt context voor de complexiteit van de benodigde ontslagplanning en helpt de effectiviteit van zorgovergangen te beoordelen. Waarom dit belangrijk is Belangrijke context voor ontslagplanning en het risico op heropname. Waar je het vindt athenahealth-encountervelden of ontslaggegevens uit het ziekenhuis. Voorbeelden Naar huisVerpleeghuisOvergeplaatst naar een ziekenhuis voor kort verblijfOverleden
	Patiënt-ID PatientId	Een unieke identificatie voor de patiënt, geanonimiseerd of gehasht.
Beschrijving Identificeert de patiënt die het traject doorloopt. Hoewel dit vergelijkbaar is met de Case Identifier, kan één patiënt in de loop van de tijd meerdere trajecten hebben. Wordt gebruikt om herhaalbezoeken te koppelen en heropnames te analyseren. Dit is essentieel voor de KPI 'Percentage ongeplande heropnames'. Waarom dit belangrijk is Nodig om heropnames en de patiëntgeschiedenis over verschillende trajecten te volgen. Waar je het vindt athenahealth-veld 'patientid'. Voorbeelden PAT-100234PAT-559201PAT-992210
	Primaire diagnosecode PrimaryDiagnosisCode	De primaire ICD-10-code die aan het traject is gekoppeld.
Beschrijving Classificeert de klinische reden voor het patiënttraject. Dit biedt de context voor 'Vergelijking van patiënttrajecten per leeftijdsgroep en diagnose'. Analisten gebruiken dit om trajecten per aandoening te segmenteren, bijvoorbeeld longontsteking versus een breuk, omdat verschillende aandoeningen sterk uiteenlopende verwachte trajecten en doorlooptijden hebben. Waarom dit belangrijk is Maakt vergelijking van vergelijkbare cases mogelijk. Doorlooptijden verschillen sterk per diagnose. Waar je het vindt Diagnosevelden van het bezoek of de declaratie, ICD-10. Voorbeelden J18.9I10E11.9
	Type bezoek EncounterType	De classificatie van het bezoek, bijvoorbeeld consult, telezorg of spoedzorg.
Beschrijving Bepaalt de vorm of setting van de geleverde zorg. Dit fungeert als het 'Case Type' in generieke datamodellen. Verschillende bezoektypen hebben verschillende verwachte flows en facturatievereisten. Filteren op dit attribuut is essentieel om in analyses van doorlooptijden geen onvergelijkbare cases met elkaar te vergelijken. Waarom dit belangrijk is Maakt onderscheid tussen procesvarianten, zoals telezorg en zorg op locatie. Waar je het vindt athenahealth-veld 'encountertype'. Voorbeelden PolikliniekbezoekTelezorgSpoedeisende hulpChirurgie
	Claimstatus ClaimStatus	De status van de financiële claim die bij de zorg hoort.
Beschrijving Geeft aan wat de status van de declaratie is, bijvoorbeeld 'Ingediend', 'Afgewezen' of 'Betaald'. Dit is relevant voor de activiteit 'Claim ingediend' en de financiële doorstroming. Helpt vaststellen of problemen met klinische documentatie leiden tot financiële vertragingen in de backoffice. Waarom dit belangrijk is Koppelt klinische efficiëntie aan de prestaties van de omzetcyclus. Waar je het vindt athenahealth-veld 'claimstatus'. Voorbeelden BILLEDHOLDDROP
	Is herstelwerk IsRework	Vlag die aangeeft of deze activiteit een herhaling is.
Beschrijving Een booleaanse vlag die waar is als de activiteit meer dan één keer binnen dezelfde case heeft plaatsgevonden. Dit ondersteunt het dashboard 'Activiteitsfrequentie en herstelwerklussen'. Hiermee kun je cases met herstelwerk meteen isoleren en de KPI 'Frequentie van herstelwerkactiviteiten' berekenen. Waarom dit belangrijk is Identificeert inefficiënties en overbodige stappen in het proces. Waar je het vindt Berekend tijdens ETL op basis van het aantal keer dat een activiteit voorkomt per CaseId. Voorbeelden truefalse
	Ordertype OrderType	Categorie van de order, bijvoorbeeld laboratorium, beeldvorming of recept.
Beschrijving Classificeert klinische orders die tijdens het traject zijn geplaatst. Dit is essentieel voor het dashboard 'Doorlooptijd diagnostische tests'. Hiermee kunnen analisten doorlooptijden voor laboratoriumtests en beeldvorming afzonderlijk meten. Die hebben vaak verschillende servicelevelafspraken en knelpunten. Waarom dit belangrijk is Deelt het diagnostische proces op voor specifieke analyses van doorlooptijden. Waar je het vindt athenahealth 'ordertype' of 'class' in de orders-API. Voorbeelden LaboratoriumBeeldvormingReceptProcedure
	Status diagnostisch resultaat DiagnosticResultStatus	De uitkomststatus van een diagnostische order, bijvoorbeeld positief of normaal.
Beschrijving Legt het resultaat op hoofdlijnen van een test vast. Dit geeft context voor de 'Doorlooptijd diagnostische tests' en daaropvolgende behandelbeslissingen. Wordt gebruikt om te analyseren of afwijkende resultaten leiden tot snellere vervolgacties dan normale resultaten. Waarom dit belangrijk is Verbindt de procesflow met klinische uitkomsten. Waar je het vindt athenahealth-velden voor laboratoriumresultaten. Voorbeelden NormaalAfwijkendKritiek
	Totaalbedrag TotalChargeAmount	Het geldbedrag dat voor de activiteit of episode in rekening is gebracht.
Beschrijving De financiële waarde van de activiteit of het totale declaratiebedrag. Hiermee kun je process mining op basis van kosten en de financiële impact analyseren. Wordt gebruikt om kostbare variaties in behandeltrajecten te herkennen en procesefficiëntie te koppelen aan financiële resultaten. Waarom dit belangrijk is Voegt een financiële dimensie toe aan de procesanalyse. Waar je het vindt athenahealth 'amount' of 'totalcharge' in claim- of charge-tabellen. Voorbeelden 150.002500.5045.00

Verplicht Aanbevolen Optioneel

Activiteiten binnen de patiëntreis

Dit zijn de belangrijke processtappen en mijlpalen die je in je event log moet vastleggen voor een nauwkeurige ontdekking en optimalisatie van de patiëntervaring.

7 Aanbevolen 8 Optioneel

	Activiteit	Beschrijving
	Diagnose bevestigd	Een clinicus stelt officieel een diagnose voor de aandoening van de patiënt tijdens het huidige bezoek of bevestigt deze. Dit kan worden afgeleid van de aanmaak- of 'last updated'-timestamp van de primaire diagnosecode, zoals ICD-10, die aan het patiëntbezoek is gekoppeld.
Waarom dit belangrijk is Dit is een belangrijke mijlpaal die het verdere behandeltraject bepaalt. Door variaties in activiteiten na dit punt te analyseren, krijg je inzicht in zorgprotocollen en kun je deze beter standaardiseren. Waar je het vindt Dit wordt afgeleid van de probleemlijst van de patiënt of de diagnosedata van het bezoek. Een wijziging of definitieve vastlegging van de diagnosecode en de bijbehorende timestamp signaleert deze gebeurtenis. Vastleggen Detecteer de timestamp waarop de primaire diagnose voor het bezoek wordt toegevoegd of bijgewerkt. Eventtype inferred
	Eerste beoordeling afgerond	Dit markeert de afronding van de eerste klinische beoordeling, zoals triage of een verpleegkundige beoordeling, waarbij vitale waarden en de belangrijkste klachten worden vastgelegd. De gebeurtenis wordt vaak afgeleid van de timestamp van de eerste ondertekende klinische notitie of een afgerond beoordelingsformulier voor het bezoek.
Waarom dit belangrijk is Deze mijlpaal markeert het begin van de klinische zorg. De tijd tussen het inchecken en deze activiteit is een belangrijke maat voor de eerste wachttijd van de patiënt en de reactiesnelheid van de beschikbare bronnen. Waar je het vindt Dit wordt afgeleid van de aanmaak- of ondertekentimestamp van specifieke klinische documenten of flowsheets in athenaClinicals. Hiervoor moet je de relevante documenttypen voor triage of intake bepalen. Vastleggen Bepaal de eerste timestamp op een klinische notitie, vitale-waardenflowsheet of specifiek intakeformulier voor het bezoek. Eventtype inferred
	Ontslagorder opgesteld	Een arts of bevoegde zorgverlener schrijft een officiële order om de patiënt uit de zorg te ontslaan. Dit is een expliciete gebeurtenis met timestamp die in de CPOE-module van het EPD wordt aangemaakt.
Waarom dit belangrijk is Deze activiteit start het ontslagproces. De tijd tussen deze order en het daadwerkelijke ontslag is een belangrijke KPI voor de 'Doorlooptijd van ontslagplanning'. Waar je het vindt Je vindt dit in de ordertabel. De gebeurtenis wordt herkend aan het specifieke ordertype 'Discharge' en de aanmaaktimestamp. Vastleggen Er wordt een nieuw record met het ordertype 'Discharge' aangemaakt in de ordertabel. Eventtype explicit
	Patiënt ingecheckt	Deze activiteit betekent dat de patiënt is aangekomen en zich officieel heeft ingecheckt voor de geplande afspraak of het bezoek. Meestal wordt dit vastgelegd als een expliciete statuswijziging op het afspraakrecord in athenaClinicals of athenaCommunicator.
Waarom dit belangrijk is Dit is het duidelijke begin van het traject van de patiënt op locatie. Het vormt een belangrijk startpunt voor het meten van wachttijden en de totale doorlooptijd van een klinisch bezoek. Waar je het vindt Dit wordt vastgelegd als een statusupdate in de afspraak- of bezoekstabellen. Zoek naar de status 'Checked-In' en de bijbehorende timestamp. Vastleggen Een statuswijziging op het afspraak- of bezoekobject wordt met een timestamp vastgelegd. Eventtype explicit
	Patiënt ontslagen	De patiënt is officieel ontslagen en het deel van het traject binnen de instelling is afgerond. Dit is de laatste ADT-gebeurtenis voor een klinische opname en wordt met een precieze timestamp vastgelegd.
Waarom dit belangrijk is Deze gebeurtenis markeert het einde van het hoofdtraject van de patiënt. Het is het eindpunt voor het meten van de totale 'Patient Journey Cycle Time' en is essentieel voor analyses van heropnames. Waar je het vindt Dit is een expliciete gebeurtenis in het ADT-systeem of de patiëntbezoekstabel. De eindstatus van het bezoek wordt hierbij als 'Discharged' vastgelegd, samen met een timestamp. Vastleggen De status van het patiëntbezoek wordt bijgewerkt naar 'Discharged' en er wordt een ADT-gebeurtenis vastgelegd. Eventtype explicit
	Procedure uitgevoerd	Er wordt een klinische procedure uitgevoerd bij de patiënt, zoals een operatie of gespecialiseerde therapie. Dit is een expliciete gebeurtenis in de klinische documentatie, vaak met een geregistreerde start- en eindtijd in een procedurenotitie.
Waarom dit belangrijk is Procedures zijn belangrijke mijlpalen in de behandeling van een patiënt. Door de activiteiten voor en na een procedure te analyseren, kun je workflows vóór en na de operatie verbeteren. Waar je het vindt Je vindt dit in procedurenotities of specifieke klinische flowsheets in athenaClinicals. De timestamp van de gebeurtenis wordt afgeleid van de vastgelegde start- of eindtijd van de procedure. Vastleggen Er wordt een procedurenotitie of log aangemaakt met een timestamp van het moment waarop de procedure plaatsvond. Eventtype explicit
	Testresultaten ontvangen	De resultaten van een diagnostische test zijn definitief en beschikbaar in het patiëntdossier. Meestal wordt dit vastgelegd wanneer het laboratorium- of beeldvormingssysteem de resultaten naar athenahealth stuurt en daar een record met timestamp aanmaakt.
Waarom dit belangrijk is Het ontvangen van resultaten is een belangrijke trigger voor volgende klinische beslissingen, zoals diagnose en behandelplanning. Deze gebeurtenis vormt het eindpunt voor het meten van diagnostische doorlooptijden. Waar je het vindt Je vindt dit in de resultaten- of diagnostiektabel, gekoppeld aan de oorspronkelijke order. De gebeurtenis wordt gemarkeerd door de timestamp waarop het resultaat in het patiëntdossier is opgeslagen of ontvangen. Vastleggen Er wordt een nieuw resultaatrecord met timestamp aangemaakt, vaak via een koppeling met een LIS of RIS. Eventtype explicit
	Afspraak gepland	Dit staat voor het boeken van een afspraak voor een patiënt. De gebeurtenis wordt expliciet vastgelegd wanneer een gebruiker een nieuwe afspraak aanmaakt en bevestigt in de planningsmodule athenaCommunicator van athenahealth.
Waarom dit belangrijk is Deze activiteit markeert het eerste contactmoment voor veel patiënttrajecten. Door de tijd tussen het plannen en het inchecken te analyseren, krijg je inzicht in de toegang tot zorg en de efficiëntie vóór het bezoek. Waar je het vindt Dit is een expliciete gebeurtenis in de afspraak- of planningstabellen. Meestal zijn hier een aanmaaktimestamp en patiënt-ID aan gekoppeld. Vastleggen De gebeurtenis wordt vastgelegd wanneer een afspraakrecord in de planningsmodule wordt aangemaakt. Eventtype explicit
	Behandelplan opgesteld	Dit staat voor het formeel opstellen en documenteren van het behandelplan van een patiënt door een clinicus. Je kunt dit vastleggen via het aanmaken of ondertekenen van een specifiek 'Plan of Care'-document of een reeks gerelateerde behandelorders.
Waarom dit belangrijk is Deze activiteit legt het beoogde klinische traject vast. Het is een belangrijk moment om naleving van standaardprotocollen te meten en variaties in de zorg te analyseren. Waar je het vindt Je vindt dit waarschijnlijk in de tabellen met klinische documenten of orders. De gebeurtenis komt overeen met de timestamp van een ondertekende zorgplannotitie of het indienen van een gecoördineerde reeks behandelorders. Vastleggen De gebeurtenis is de aanmaak- of definitieve vastleggingstimestamp van een specifiek behandelplandocument of een orderset. Eventtype explicit
	Declaratie ingediend	Er wordt een declaratie opgesteld voor de diensten tijdens het patiëntbezoek en ingediend bij de betaler. Dit is een expliciete gebeurtenis in de athenaCollector-module voor revenue cycle management.
Waarom dit belangrijk is Hoewel dit een administratieve stap is, is de activiteit belangrijk voor het analyseren van het revenue-cycleproces dat parallel aan het klinische traject loopt. Je kunt hiermee vertragingen tussen zorg en facturatie opsporen. Waar je het vindt Je vindt dit in de declaratie- of facturatietabellen. De gebeurtenis wordt gemarkeerd door een timestamp voor het aanmaken of indienen van de declaratie. Vastleggen Er wordt een declaratierecord aangemaakt en de status wordt met een timestamp bijgewerkt naar 'Submitted'. Eventtype explicit
	Diagnostische test aangevraagd	Een zorgverlener vraagt een diagnostische test aan, zoals een laboratoriumtest, beeldvormende scan of andere procedure. Dit is een expliciete gebeurtenis met timestamp die via de CPOE-functionaliteit (Computerized Provider Order Entry) in athenaClinicals wordt aangemaakt.
Waarom dit belangrijk is Dit is een belangrijk beslismoment dat een diagnostisch subprocess start. Het volgen van deze activiteit is essentieel voor het analyseren van de KPI 'Doorlooptijd diagnostische test', van aanvraag tot resultaat. Waar je het vindt Je vindt dit in de ordertabel. Elke order bevat een patiëntidentificatie, ordernaam, orderstatus en aanmaaktimestamp. Vastleggen Er wordt met een timestamp een nieuw record aangemaakt in de ordertabel van het systeem. Eventtype explicit
	Medicatie toegediend	Een zorgmedewerker dient de medicatie daadwerkelijk toe aan de patiënt. Dit wordt expliciet vastgelegd in de Medication Administration Record (MAR)-module van athenaClinicals, met een precieze timestamp voor elke dosis.
Waarom dit belangrijk is Deze activiteit staat voor een directe behandelinterventie. Door het tijdstip te analyseren, kun je de 'Time to First Treatment' meten en controleren of medicatieschema's worden gevolgd. Waar je het vindt Je vindt dit in de MAR-datatabellen. Elke toedieningsgebeurtenis bevat een patiënt-ID, medicatie-ID, dosering en timestamp van toediening. Vastleggen Elke keer dat wordt vastgelegd dat medicatie is toegediend, wordt er een record met timestamp aangemaakt in de MAR. Eventtype explicit
	Monster afgenomen	Dit staat voor het moment waarop een biologisch monster, zoals bloed of urine, bij de patiënt wordt afgenomen voor een laboratoriumtest. Meestal wordt dit expliciet vastgelegd in de laboratoriummodule of als een update van de orderstatus.
Waarom dit belangrijk is Dit is een belangrijke mijlpaal binnen het diagnostische testproces. De tijd tussen het aanvragen, afnemen en rapporteren van resultaten kan duidelijke knelpunten in laboratoriumworkflows aan het licht brengen. Waar je het vindt Deze gebeurtenis is terug te vinden als statuswijziging op de laboratoriumorder of als afzonderlijke gebeurtenis in een laboratoriuminformatiesysteem dat met athenahealth is gekoppeld. Zoek naar de status 'Collected' en de timestamp. Vastleggen Dit wordt vastgelegd als een update van de status van de laboratoriumorder of in een speciale module voor het volgen van monsters. Eventtype explicit
	Patiënt overgeplaatst	De patiënt wordt van de ene zorgeenheid of afdeling naar een andere verplaatst, bijvoorbeeld van de spoedeisende hulp naar een verpleegafdeling. Dit wordt expliciet vastgelegd via een Admission, Discharge, Transfer (ADT)-gebeurtenis in het EPD.
Waarom dit belangrijk is Deze activiteit is belangrijk voor het analyseren van overdrachten tussen afdelingen en de patiëntdoorstroming binnen een instelling. Je kunt hiermee knelpunten in de 'Patient Handoff Time' en de inzet van bronnen opsporen. Waar je het vindt Dit wordt vastgelegd in het ADT-event log of in tabellen voor het volgen van patiënten. Elke overdracht bevat de patiënt, de locatie van en naar welke de patiënt gaat, en een timestamp. Vastleggen Bij de overdracht van de patiënt wordt een ADT-bericht of event-logrecord met timestamp gegenereerd. Eventtype explicit
	Vervolgafspraak gepland	Na de hoofdbehandeling of het ontslag wordt een vervolgafspraak voor de patiënt gepland. Deze gebeurtenis wordt expliciet vastgelegd wanneer een nieuwe afspraak wordt aangemaakt in de planningsmodule athenaCommunicator.
Waarom dit belangrijk is Deze activiteit is belangrijk om de coördinatie van zorg na ontslag en het effect daarvan op resultaten, zoals heropnames, te begrijpen. Het laat zien of de zorg doorloopt. Waar je het vindt Dit wordt vastgelegd in de afsprakentabel. De gebeurtenis wordt herkend aan een aanmaaktimestamp voor een afspraak na de ontslagdatum. Vastleggen Er wordt een nieuw afspraakrecord aangemaakt in het planningssysteem. Eventtype explicit

Aanbevolen Optioneel

Extractiegidsen

Zo haal je je data uit athenahealth

Stappen

Log in op het athenaNet-portaal met je beveiligde inloggegevens.
Ga via het hoofdmenu naar de module Reports. Die vind je meestal onder 'Reports' > 'Report Builder' of 'Custom Reports'.
Klik op 'Create New Report' en selecteer 'Encounters' of 'Patient Visit' als primaire rapportcategorie. Zo richt je de gedetailleerde data op de specifieke patiëntepisode.
Zoek in het gedeelte 'Columns' of 'Fields' naar Patient Identifier (Patient ID) en Encounter Identifier (Encounter ID) en voeg deze toe als Case Identifier.
Voeg de benodigde demografische en contextkolommen toe, zoals Department, Provider Name, Patient Age en Primary Diagnosis Code.
Voeg de timestampkolommen toe die bij de activiteiten horen. Mogelijk vind je die in verschillende veldgroepen, bijvoorbeeld 'Scheduling' voor Appointment Scheduled, 'Check-in' voor Check-in Time en 'Billing' voor Claim Submitted. Selecteer waar mogelijk de indeling 'Date and Time', niet alleen Date.
Pas filters toe in de rapportconfiguratie. Stel het bereik voor 'Encounter Date' in op de gewenste analyseperiode, bijvoorbeeld Last 6 Months, en filter afspraken met de status 'Cancelled' of 'No Show' weg. Zo richt je je op afgeronde patiëntreizen.
Klik op 'Run Report' om de data te bekijken. Controleer of de kolommen data bevatten en niet volledig leeg zijn.
Selecteer 'Export' en kies 'CSV' (Comma Separated Values) als indeling. Gebruik geen opmaakfuncties van Excel/XLSX, omdat die de verwerking ingewikkelder maken.
Sla het bestand lokaal op als 'athena_raw_export.csv'.
Het rapport bevat één rij per encounter met meerdere datumkolommen, dus een breed formaat. Je moet dit omzetten naar een event log in lang formaat. Gebruik hiervoor het Python-script in het gedeelte Query.
Voer het script uit om 'process_mining_event_log.csv' te maken en upload dit bestand naar ProcessMind.

Configuratie

Rapportcategorie: Kies 'Encounter Activity' of 'Clinicals' als basiscategorie om de meeste stappen in de klinische workflow vast te leggen.
Datumbereik: Beperk de eerste extractie tot 3 tot 6 maanden om time-outs of limieten op het aantal rijen te voorkomen. In standaardweergaven ligt die limiet meestal rond 50.000 rijen.
Kolomselectie: Selecteer expliciete timestampvelden. Vermijd berekende velden zoals 'Days since check-in' en kies in plaats daarvan voor de absolute waarde 'Check-in Date/Time'.
Omgaan met lege waarden: Stel het rapport zo in dat ontbrekende data als lege cellen wordt weergegeven, niet als aangepaste tekst zoals 'N/A'. Dat maakt verwerking met een script eenvoudiger.
Filteren op afdeling: Is de organisatie groot, filter dan op specifieke Service Locations of Departments, bijvoorbeeld 'Cardiology' of 'Orthopedics', om de dataset gericht te houden.
Rechten: Je hebt binnen athenaNet de rechten 'Report Creator' of 'Clinical Reporting' nodig voor toegang tot de Custom Report Builder.

a Voorbeeldquery python

import pandas as pd
import numpy as np
from datetime import datetime

class=class="hl-string">"hl-comment"># Configuration: Input and Output filenames
INPUT_FILE = class="hl-string">'athena_raw_export.csv'
OUTPUT_FILE = class="hl-string">'patient_journey_event_log.csv'

class=class="hl-string">"hl-comment"># Load the raw wide-format report from athenaNet
class=class="hl-string">"hl-comment"># Assumes standard CSV export. Adjust encoding if necessary (e.g., class="hl-string">'utf-8-sig' or class="hl-string">'latin1')
df = pd.read_csv(INPUT_FILE, dtype=str)

class=class="hl-string">"hl-comment"># Define the mapping between Activity Names and the columns in your athenaNet report
class=class="hl-string">"hl-comment"># You must ensure these column names match your Report Builder export headers exactly
activity_mapping = {
    class="hl-string">'Appointment Scheduled': class="hl-string">'APPT_CREATED_TIMESTAMP',
    class="hl-string">'Patient Checked In': class="hl-string">'CHECKIN_TIMESTAMP',
    class="hl-string">'Initial Assessment Completed': class="hl-string">'INTAKE_COMPLETED_TIMESTAMP',
    class="hl-string">'Diagnostic Test Ordered': class="hl-string">'ORDER_ENTRY_TIMESTAMP',
    class="hl-string">'Specimen Collected': class="hl-string">'LAB_COLLECTION_TIMESTAMP',
    class="hl-string">'Test Results Received': class="hl-string">'LAB_RESULT_TIMESTAMP',
    class="hl-string">'Diagnosis Confirmed': class="hl-string">'DIAGNOSIS_ENTRY_TIMESTAMP',
    class="hl-string">'Treatment Plan Developed': class="hl-string">'PLAN_NOTE_TIMESTAMP',
    class="hl-string">'Medication Administered': class="hl-string">'MED_ADMIN_TIMESTAMP',
    class="hl-string">'Procedure Performed': class="hl-string">'PROCEDURE_END_TIMESTAMP',
    class="hl-string">'Patient Transferred': class="hl-string">'TRANSFER_TIMESTAMP',
    class="hl-string">'Discharge Order Written': class="hl-string">'DISCHARGE_ORDER_TIMESTAMP',
    class="hl-string">'Patient Discharged': class="hl-string">'DISCHARGE_TIMESTAMP',
    class="hl-string">'Follow-Up Appointment Scheduled': class="hl-string">'NEXT_APPT_CREATED_TIMESTAMP',
    class="hl-string">'Claim Submitted': class="hl-string">'CLAIM_SUBMISSION_TIMESTAMP'
}

class=class="hl-string">"hl-comment"># Define attribute columns to carry over to every event row
attribute_columns = {
    class="hl-string">'ENCOUNTER_ID': class="hl-string">'PatientEpisodeId',
    class="hl-string">'PATIENT_ID': class="hl-string">'PatientId',
    class="hl-string">'PROVIDER_NAME': class="hl-string">'ProviderName',
    class="hl-string">'DEPARTMENT_NAME': class="hl-string">'DepartmentName',
    class="hl-string">'PRIMARY_DIAGNOSIS_CODE': class="hl-string">'PrimaryDiagnosisCode',
    class="hl-string">'PATIENT_AGE': class="hl-string">'PatientAgeGroup',
    class="hl-string">'ENCOUNTER_TYPE': class="hl-string">'EncounterType',
    class="hl-string">'DISCHARGE_DISPOSITION': class="hl-string">'DischargeDisposition',
    class="hl-string">'IS_READMISSION': class="hl-string">'IsReadmission'
}

class=class="hl-string">"hl-comment"># Initialize list to hold event rows
event_log_data = []

class=class="hl-string">"hl-comment"># Transformation Loop
for index, row in df.iterrows():
    episode_id = row.get(class="hl-string">'ENCOUNTER_ID')
    
    class=class="hl-string">"hl-comment"># Skip rows without a valid identifier
    if pd.isna(episode_id) or str(episode_id).strip() == class="hl-string">'':
        continue

    class=class="hl-string">"hl-comment"># Iterate through each defined activity
    for activity_name, col_name in activity_mapping.items():
        timestamp_val = row.get(col_name)
        
        class=class="hl-string">"hl-comment"># Only create an event if a valid timestamp exists
        if pd.notna(timestamp_val) and str(timestamp_val).strip() != class="hl-string">'':
            
            class=class="hl-string">"hl-comment"># Create base event object
            event = {
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': activity_name,
                class="hl-string">'EventTimestamp': timestamp_val,
                class="hl-string">'SourceSystem': class="hl-string">'athenahealth',
                class="hl-string">'LastDataUpdate': datetime.now().strftime(class="hl-string">'%Y-%m-%d %H:%M:%S')
            }
            
            class=class="hl-string">"hl-comment"># Add attributes
            for csv_col, target_col in attribute_columns.items():
                event[target_col] = row.get(csv_col, None)
            
            event_log_data.append(event)

class=class="hl-string">"hl-comment"># Create DataFrame from the list of events
event_log_df = pd.DataFrame(event_log_data)

class=class="hl-string">"hl-comment"># Standardize Date Format (ISO 8601 Recommended)
class=class="hl-string">"hl-comment"># Adjust the format string matches the raw CSV format (e.g., class="hl-string">'%m/%d/%Y %H:%M')
event_log_df[class="hl-string">'EventTimestamp'] = pd.to_datetime(event_log_df[class="hl-string">'EventTimestamp'], errors=class="hl-string">'coerce')

class=class="hl-string">"hl-comment"># Remove rows where timestamp parsing failed
event_log_df = event_log_df.dropna(subset=[class="hl-string">'EventTimestamp'])

class=class="hl-string">"hl-comment"># Sort by Episode and Time
event_log_df = event_log_df.sort_values(by=[class="hl-string">'PatientEpisodeId', class="hl-string">'EventTimestamp'])

class=class="hl-string">"hl-comment"># Output to CSV
event_log_df.to_csv(OUTPUT_FILE, index=False)

print(fclass="hl-string">"Transformation complete. Processed {len(df)} encounters into {len(event_log_df)} events.")
print(fclass="hl-string">"File saved to: {OUTPUT_FILE}")

Stappen

API-applicatie registreren: Log in op het athenahealth Developer Portal en registreer een nieuwe applicatie om je Client ID en Client Secret te ontvangen. Zorg dat de applicatie scopes heeft voor Appointments, Clinicals (Charts), Orders en Billing (Claims).
Python-omgeving configureren: Installeer de benodigde Python-bibliotheken, requests en pandas, in je uitvoeromgeving met pip install requests pandas.
Authenticeren: Implementeer de OAuth 2.0 Client Credentials grant flow om een access token op te halen. Voeg dit token als Bearer token toe aan de Authorization-header van alle volgende API-aanroepen.
Scope bepalen: Stel de Practice ID en het datumbereik voor de extractie in. De API's van Athenahealth zijn specifiek voor een praktijk. Beheer je meerdere praktijken, dan moet je de Practice ID's één voor één verwerken.
Afspraken extraheren: Gebruik het endpoint /appointments/booked of /appointments/changed om de basisencounters op te halen. Koppel het appointment ID aan de PatientEpisodeId. Haal 'Appointment Scheduled' uit de aanmaakdatum en 'Patient Checked In' uit de check-intijd.
Encounters verwerken voor klinische events: Roep voor elk appointment ID, oftewel encounter, de klinische sub-endpoints aan. Gebruik /chart/{encounterId}/vitals voor 'Initial Assessment Completed'. Gebruik /chart/{encounterId}/orders voor 'Diagnostic Test Ordered', 'Specimen Collected' op basis van de status en 'Discharge Order Written'.
Resultaten en diagnoses ophalen: Gebruik /chart/{encounterId}/analyteresults of /chart/{encounterId}/labresults voor 'Test Results Received'. Gebruik /chart/{encounterId}/diagnoses voor 'Diagnosis Confirmed'.
Behandelingen en procedures extraheren: Gebruik /chart/{encounterId}/plan voor 'Treatment Plan Developed'. Gebruik /chart/{encounterId}/procedures voor 'Procedure Performed'. Gebruik /chart/{encounterId}/medications/admin voor 'Medication Administered'.
ADT en claims identificeren: Gebruik de statusgeschiedenis van de afspraak of specifieke ziekenhuis-endpoints, als die beschikbaar zijn, om 'Patient Transferred' en 'Patient Discharged' vast te leggen. Gebruik /claims voor de afspraak om 'Claim Submitted' te extraheren.
Vervolgafspraken koppelen: Zoek naar latere afspraken die voor hetzelfde patiënt-ID zijn aangemaakt binnen de periode van de encounter. Zo identificeer je 'Follow-Up Appointment Scheduled'.
Omzetten en afvlakken: Verwerk de geneste JSON-antwoorden tot een platte lijst met event-dictionaries. Zet alle timestamps om naar ISO 8601 en koppel de velden aan ActivityName, PatientEpisodeId en EventTimestamp.
Data exporteren: Laad de lijst met dictionaries in een pandas DataFrame, voer de laatste opschoning uit, waaronder het verwerken van lege waarden, en exporteer het resultaat naar een CSV-bestand dat klaar is voor import in ProcessMind.

Configuratie

API-inloggegevens: Je hebt een geldige Client ID en Secret uit het athenahealth Developer Portal nodig, met toegang tot de productieomgeving.
Practice ID: De unieke numerieke identificatie van de medische praktijk. Voer het script per praktijk uit als je data voor een netwerk extraheert.
Datumbereik: Een extractieperiode van 3 tot 6 maanden wordt aanbevolen vanwege de hoeveelheid gedetailleerde klinische data.
Rate limiting: De athenaOne API heeft strikte limieten, bijvoorbeeld 5 aanroepen per seconde. Het script bevat een sleep-functie, maar voor extracties op ondernemingsschaal moet je exponential backoff implementeren.
Scopes: Controleer of het token scopes heeft voor athena/service/Athenanet.MDP.* of specifieke scopes voor afspraken, charts en financiële data.
Paginering: De meeste endpoints geven een beperkt aantal records terug, standaard 1.000. Het script moet de parameters next of offset verwerken.
Filteren op afdeling: Analyseer je specifieke stromen, zoals Emergency versus Outpatient, filter dan tijdens het ophalen van afspraken op department ID.

a Voorbeeldquery python

import requests
import pandas as pd
import time
from datetime import datetime, timedelta
import base64

class=class="hl-string">"hl-comment"># Configuration
API_KEY = class="hl-string">'YOUR_CLIENT_ID'
API_SECRET = class="hl-string">'YOUR_CLIENT_SECRET'
PRACTICE_ID = class="hl-string">'195900'  class=class="hl-string">"hl-comment"># Replace with your Practice ID
BASE_URL = class="hl-string">'https://api.athenahealth.com/preview1'  class=class="hl-string">"hl-comment"># Use production URL for live data
START_DATE = class="hl-string">'01/01/2023'
END_DATE = class="hl-string">'01/31/2023'
OUTPUT_FILE = class="hl-string">'athena_patient_journey.csv'

def get_access_token():
    url = fclass="hl-string">'{BASE_URL}/oauth2/v1/token'
    auth_str = fclass="hl-string">'{API_KEY}:{API_SECRET}'
    b64_auth = base64.b64encode(auth_str.encode()).decode()
    headers = {
        class="hl-string">'Authorization': fclass="hl-string">'Basic {b64_auth}',
        class="hl-string">'Content-Type': class="hl-string">'application/x-www-form-urlencoded'
    }
    data = {class="hl-string">'grant_type': class="hl-string">'client_credentials', class="hl-string">'scope': class="hl-string">'athena/service/Athenanet.MDP.*'}
    response = requests.post(url, headers=headers, data=data)
    if response.status_code == 200:
        return response.json()[class="hl-string">'access_token']
    else:
        raise Exception(fclass="hl-string">'Auth failed: {response.text}')

def fetch_paginated(url, headers, params):
    results = []
    while True:
        response = requests.get(url, headers=headers, params=params)
        if response.status_code == 429:
            time.sleep(2)
            continue
        if response.status_code != 200:
            print(fclass="hl-string">'Error fetching {url}: {response.status_code}')
            break
        data = response.json()
        if class="hl-string">'totalcount' in data and data[class="hl-string">'totalcount'] == 0:
            break
        class=class="hl-string">"hl-comment"># Handle different response structures (key might be appointments, orders, etc.)
        keys = [k for k in data.keys() if k not in [class="hl-string">'totalcount', class="hl-string">'next', class="hl-string">'previous']]
        if keys:
            results.extend(data[keys[0]])
        
        if class="hl-string">'next' in data and data[class="hl-string">'next']:
             class=class="hl-string">"hl-comment"># Athena pagination often uses offset or a link
             class=class="hl-string">"hl-comment"># Adjust based on specific endpoint logic if next is not a full URL
             params[class="hl-string">'offset'] = params.get(class="hl-string">'offset', 0) + len(data[keys[0]])
        else:
            break
    return results

def extract_events():
    token = get_access_token()
    headers = {class="hl-string">'Authorization': fclass="hl-string">'Bearer {token}'}
    events = []

    class=class="hl-string">"hl-comment"># 1. Fetch Appointments (Patient Episodes)
    class=class="hl-string">"hl-comment"># Using /appointments/booked for the range
    print(class="hl-string">'Fetching appointments...')
    appt_params = {
        class="hl-string">'startdate': START_DATE,
        class="hl-string">'enddate': END_DATE,
        class="hl-string">'showclaimdetail': class="hl-string">'true',  class=class="hl-string">"hl-comment"># optimize to get claim info early
        class="hl-string">'ignorepartners': class="hl-string">'true'
    }
    appointments = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/appointments/booked', headers, appt_params)

    for appt in appointments:
        episode_id = str(appt.get(class="hl-string">'appointmentid'))
        patient_id = appt.get(class="hl-string">'patientid')
        dept_id = appt.get(class="hl-string">'departmentid')
        provider_id = appt.get(class="hl-string">'providerid')
        
        class=class="hl-string">"hl-comment"># Base Activity: Appointment Scheduled
        if appt.get(class="hl-string">'date'): class=class="hl-string">"hl-comment"># capturing creation/scheduled date requires parsing history or booking info
            class=class="hl-string">"hl-comment"># Fallback to date if created date unavailable, but typically we want class="hl-string">'scheduleddatetime'
            sched_time = appt.get(class="hl-string">'scheduleddatetime', appt.get(class="hl-string">'date') + class="hl-string">' ' + appt.get(class="hl-string">'starttime'))
            events.append({
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': class="hl-string">'Appointment Scheduled',
                class="hl-string">'EventTimestamp': sched_time,
                class="hl-string">'SourceSystem': class="hl-string">'athenaOne',
                class="hl-string">'PatientId': patient_id,
                class="hl-string">'DepartmentName': dept_id
            })

        class=class="hl-string">"hl-comment"># Activity: Patient Checked In
        if appt.get(class="hl-string">'startcheckin'):
            events.append({
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': class="hl-string">'Patient Checked In',
                class="hl-string">'EventTimestamp': appt.get(class="hl-string">'date') + class="hl-string">' ' + appt.get(class="hl-string">'startcheckin'), class=class="hl-string">"hl-comment"># combining date and time
                class="hl-string">'SourceSystem': class="hl-string">'athenaOne',
                class="hl-string">'PatientId': patient_id
            })
            
        class=class="hl-string">"hl-comment"># Activity: Patient Discharged (Ambulatory Checkout)
        if appt.get(class="hl-string">'stopcheckin'):
            events.append({
                class="hl-string">'PatientEpisodeId': episode_id,
                class="hl-string">'ActivityName': class="hl-string">'Patient Discharged',
                class="hl-string">'EventTimestamp': appt.get(class="hl-string">'date') + class="hl-string">' ' + appt.get(class="hl-string">'stopcheckin'),
                class="hl-string">'SourceSystem': class="hl-string">'athenaOne',
                class="hl-string">'PatientId': patient_id,
                class="hl-string">'DischargeDisposition': class="hl-string">'Home' class=class="hl-string">"hl-comment"># Default for ambulatory
            })

        class=class="hl-string">"hl-comment"># Activity: Claim Submitted
        if class="hl-string">'claimid' in appt:
             class=class="hl-string">"hl-comment"># Ideally query /claims/{claimId} for exact submission timestamp
             class=class="hl-string">"hl-comment"># Using appointment date as proxy if detailed claim fetch skipped
             class=class="hl-string">"hl-comment"># Here we assume we fetch claim details:
             claim_res = requests.get(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/claims/{appt["claimid"]}', headers=headers)
             if claim_res.status_code == 200:
                 claim_data = claim_res.json()
                 if claim_data.get(class="hl-string">'billedservicedate'):
                     events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Claim Submitted',
                        class="hl-string">'EventTimestamp': claim_data.get(class="hl-string">'createddate', claim_data.get(class="hl-string">'billedservicedate')) + class="hl-string">' 12:00:00',
                        class="hl-string">'SourceSystem': class="hl-string">'athenaCollector',
                        class="hl-string">'PatientId': patient_id
                     })

        class=class="hl-string">"hl-comment"># Clinical Data Extraction (Requires Encounter Context)
        encounter_id = appt.get(class="hl-string">'encounterid')
        if encounter_id:
            class=class="hl-string">"hl-comment"># Activity: Initial Assessment (Vitals)
            vitals = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/vitals', headers, {})
            if vitals:
                class=class="hl-string">"hl-comment"># Take the first vital sign entry time
                first_vital = sorted(vitals, key=lambda x: x.get(class="hl-string">'date') or class="hl-string">'')[0]
                events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Initial Assessment Completed',
                    class="hl-string">'EventTimestamp': first_vital.get(class="hl-string">'date') + class="hl-string">' ' + (first_vital.get(class="hl-string">'time') or class="hl-string">'00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals',
                    class="hl-string">'PatientId': patient_id
                })

            class=class="hl-string">"hl-comment"># Activity: Diagnoses
            diagnoses = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/diagnoses', headers, {})
            for diag in diagnoses:
                events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Diagnosis Confirmed',
                    class="hl-string">'EventTimestamp': diag.get(class="hl-string">'lastmodifieddatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals',
                    class="hl-string">'PrimaryDiagnosisCode': diag.get(class="hl-string">'diagnosiscode')
                })

            class=class="hl-string">"hl-comment"># Activity: Orders (Labs, Procedures, Discharge)
            orders = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/orders', headers, {})
            for order in orders:
                order_type = order.get(class="hl-string">'documentationtype', class="hl-string">'')
                created_time = order.get(class="hl-string">'createddatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00')
                
                if class="hl-string">'LAB' in order_type.upper() or class="hl-string">'IMAGING' in order_type.upper():
                    events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Diagnostic Test Ordered',
                        class="hl-string">'EventTimestamp': created_time,
                        class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                    })
                    class=class="hl-string">"hl-comment"># Activity: Specimen Collected (Inferred from status or specific fields if available)
                    if order.get(class="hl-string">'status') in [class="hl-string">'COMPLETED', class="hl-string">'REVIEW']:
                         events.append({
                            class="hl-string">'PatientEpisodeId': episode_id,
                            class="hl-string">'ActivityName': class="hl-string">'Specimen Collected',
                            class="hl-string">'EventTimestamp': order.get(class="hl-string">'lastmodifieddatetime', created_time), class=class="hl-string">"hl-comment"># Approximation
                            class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                        })
                
                if class="hl-string">'SURGERY' in order_type.upper() or class="hl-string">'PROCEDURE' in order_type.upper():
                     events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Procedure Performed',
                        class="hl-string">'EventTimestamp': order.get(class="hl-string">'performdate', created_time),
                        class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                    })

                if class="hl-string">'DISCHARGE' in order_type.upper():
                    events.append({
                        class="hl-string">'PatientEpisodeId': episode_id,
                        class="hl-string">'ActivityName': class="hl-string">'Discharge Order Written',
                        class="hl-string">'EventTimestamp': created_time,
                        class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                    })

            class=class="hl-string">"hl-comment"># Activity: Test Results Received
            results = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/analyteresults', headers, {})
            for res in results:
                events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Test Results Received',
                    class="hl-string">'EventTimestamp': res.get(class="hl-string">'analytedatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                })

            class=class="hl-string">"hl-comment"># Activity: Treatment Plan
            class=class="hl-string">"hl-comment"># Check for Care Plan document or assessment note
            notes = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/progressnotes', headers, {})
            if notes:
                 events.append({
                    class="hl-string">'PatientEpisodeId': episode_id,
                    class="hl-string">'ActivityName': class="hl-string">'Treatment Plan Developed',
                    class="hl-string">'EventTimestamp': notes[0].get(class="hl-string">'lastmodifieddatetime', appt.get(class="hl-string">'date') + class="hl-string">' 12:00:00'),
                    class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                })

            class=class="hl-string">"hl-comment"># Activity: Medication Administered
            class=class="hl-string">"hl-comment"># Look for administration records
            meds = fetch_paginated(fclass="hl-string">'{BASE_URL}/{PRACTICE_ID}/chart/{encounter_id}/medications', headers, {})
            for med in meds:
                 if med.get(class="hl-string">'events'): class=class="hl-string">"hl-comment"># Check if administration events exist
                     for event in med[class="hl-string">'events']:
                         if event.get(class="hl-string">'type') == class="hl-string">'ADMINISTERED':
                             events.append({
                                class="hl-string">'PatientEpisodeId': episode_id,
                                class="hl-string">'ActivityName': class="hl-string">'Medication Administered',
                                class="hl-string">'EventTimestamp': event.get(class="hl-string">'eventdate'),
                                class="hl-string">'SourceSystem': class="hl-string">'athenaClinicals'
                             })

            class=class="hl-string">"hl-comment"># Activity: Patient Transferred (Inferred from Hospital Stay/ADT data if available)
            class=class="hl-string">"hl-comment"># Mocking logic: If department ID changes in encounter history (requires fetching history)
            class=class="hl-string">"hl-comment"># For standard API, we check if class="hl-string">'admissionstatus' indicates transfer
            pass class=class="hl-string">"hl-comment"># Complexity high for standard extraction without Hospital scope

            class=class="hl-string">"hl-comment"># Activity: Follow-Up Appointment Scheduled
            class=class="hl-string">"hl-comment"># We check if this patient has a FUTURE appointment created around this time
            class=class="hl-string">"hl-comment"># This requires a separate query or processing the full appointment list post-loop
            class=class="hl-string">"hl-comment"># Simplified: Logic placeholder
            pass 

    class=class="hl-string">"hl-comment"># Post-processing for Follow-Ups (simplified)
    class=class="hl-string">"hl-comment"># Sort all appts by patient and date, check next appt creation date
    
    class=class="hl-string">"hl-comment"># Convert to DataFrame
    df = pd.DataFrame(events)
    df[class="hl-string">'LastDataUpdate'] = datetime.now().isoformat()
    
    class=class="hl-string">"hl-comment"># Final Validation and Export
    if not df.empty:
        df[class="hl-string">'EventTimestamp'] = pd.to_datetime(df[class="hl-string">'EventTimestamp'])
        df.sort_values(by=[class="hl-string">'PatientEpisodeId', class="hl-string">'EventTimestamp'], inplace=True)
        df.to_csv(OUTPUT_FILE, index=False)
        print(fclass="hl-string">'Successfully exported {len(df)} rows to {OUTPUT_FILE}')
    else:
        print(class="hl-string">'No events extracted.')

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

Klaar om te beginnen?

Ga aan de slag met het verbeteren van patiëntenzorg. Deze template is je eerste stap naar waardevolle inzichten en betere zorgresultaten.

Terug naar de verbetergids Template downloaden

Optimaliseer je patiëntreis en verwijder knelpunten

Breng inefficiënties in athenahealth in kaart en verkort de doorlooptijd van de patiëntreis met 30%.

Start je gratis proefperiode

Je hebt geen creditcard nodig. Begin vandaag met optimaliseren.

Jouw datatemplate voor patiëntreizen

Jouw datatemplate voor patiëntreizen

Kenmerken van de patiëntreis

Activiteiten binnen de patiëntreis

Extractiegidsen

Aangepaste CSV-export met de athenaNet Report Builder

Stappen

Configuratie

a Voorbeeldquery python

Eventextractie uit de athenaOne API met Python

Stappen

Configuratie

a Voorbeeldquery python

Klaar om te beginnen?

Optimaliseer je patiëntreis en verwijder knelpunten

Jouw datatemplate voor patiëntreizen

Jouw datatemplate voor patiëntreizen

Kenmerken van de patiëntreis

Activiteiten binnen de patiëntreis

Extractiegidsen

Aangepaste CSV-export met de athenaNet Report Builder

Stappen

Configuratie

a Voorbeeldquery python

Eventextractie uit de athenaOne API met Python

Stappen

Configuratie

a Voorbeeldquery python

Klaar om te beginnen?

Optimaliseer je patiëntreis en verwijder knelpunten

We respecteren je privacy