> Continu verbeteren van processen > Patiënttraject > athenahealth > Datatemplate

Datatemplate voor het patiënttraject

athenahealth

Attributen van het patiënttraject(19) Activiteiten in het patiënttraject(15) Extractiegidsen(2)

Datatemplate voor het patiënttraject

Deze template helpt je de data te verzamelen die nodig is om patiënttrajecten te analyseren. Je vindt erin welke attributen en activiteiten je moet bijhouden en hoe je deze data uit athenahealth haalt. Gebruik de template om je data klaar te maken voor process mining.

Aanbevolen attributen om te verzamelen
Belangrijke activiteiten om bij te houden
Instructies voor data-extractie uit athenahealth

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

Template downloaden

Attributen van het patiënttraject

Dit zijn de aanbevolen datavelden voor je event log. Ze zijn nodig om patiënttrajecten goed te analyseren en te begrijpen.

5 Verplicht 9 Aanbevolen 5 Optioneel

	Naam	Beschrijving
	Activiteitsnaam ActivityName	De naam van de gebeurtenis of taak die tijdens het patiënttraject is uitgevoerd.
Beschrijving Geeft de specifieke processtap aan, zoals 'Patiënt ingecheckt', 'Diagnostisch onderzoek aangevraagd' of 'Medicatie toegediend'. Deze tekst bepaalt de knooppunten op de proceskaart. Wordt gebruikt om het procesverloop zichtbaar te maken en de volgorde van bedrijfsvoeringstappen vast te stellen. Gestandaardiseerde namen zijn belangrijk voor een leesbare proceskaart zonder onnodige clusters. Waarom dit belangrijk is Bepaalt de stappen op de proceskaart en is vereist voor process mining. Waar vind je dit? Afgeleid uit auditlogs, wijzigingen in afspraakstatus of omschrijvingen van declaratieregels. Voorbeelden Afspraak ingeplandPatiënt aangemeldDiagnostische test aangevraagdPatiënt ontslagen
	Bronsysteem SourceSystem	De naam van het systeem waaruit de data afkomstig is.
Beschrijving Identificeert het IT-systeem dat de registratie heeft aangemaakt, in dit geval 'athenahealth'. Dit is vooral nuttig in omgevingen met meerdere systemen, waar data uit verschillende bronnen wordt gecombineerd. Analisten kunnen de weergave filteren op databron en problemen met de datakwaliteit van één systeem onderzoeken. Waarom dit belangrijk is Geeft inzicht in de herkomst van data en biedt context bij process mining met meerdere systemen. Waar vind je dit? Vaste waarde of ID van de systeemconfiguratie. Voorbeelden athenahealthAthenaOneAthenaPractice
	Laatste data-update LastDataUpdate	De timestamp waarop de data voor het laatst is geëxtraheerd of vernieuwd.
Beschrijving Geeft aan hoe actueel de data in de analyse is. Zo zie je of je naar realtime data of een historische momentopname kijkt. 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 vind je dit? Systeemtijd op het moment dat ETL wordt uitgevoerd. Voorbeelden 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Patiënttraject PatientEpisodeId	Unieke identificatie van het specifieke patiënttraject.
Beschrijving Dit attribuut is de centrale Case-ID en groepeert alle activiteiten die horen bij een specifieke zorgperiode of aandoening van een patiënt. Het verbindt losse gebeurtenissen, zoals afspraken, diagnostische aanvragen en ontslagprocedures, tot één samenhangend traject. Bij analyses is deze ID de primaire sleutel voor process mining en kun je het volledige proces 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 omvang van één procesinstantie vast te stellen. Waar vind je dit? 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
	Timestamp van gebeurtenis EventTimestamp	De specifieke datum en tijd waarop de activiteit plaatsvond.
Beschrijving Legt het exacte moment vast waarop een activiteit plaatsvond. Hiermee kun je gebeurtenissen chronologisch ordenen en de tijd tussen processtappen berekenen. Belangrijk voor tijdsanalyses, zoals doorlooptijden, wachttijden en doorvoer. Een hoge precisie helpt om de volgorde te bepalen van gebeurtenissen die op dezelfde dag plaatsvinden. Waarom dit belangrijk is Nodig om gebeurtenissen te ordenen en alle tijdgerelateerde KPI's te berekenen. Waar vind je dit? Timestampvelden voor statuswijzigingen of aanmaakdatums in athenahealth-tabellen. Voorbeelden 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Afdelingsnaam DepartmentName	De ziekenhuis- of kliniekafdeling waar de activiteit plaatsvond.
Beschrijving Deelt procesdata in naar functionele eenheid, zoals Spoedeisende hulp, Cardiologie of Radiologie. Dit is nodig voor het dashboard 'Doorvoer en overdrachten per afdeling'. Met dit attribuut worden bottlenecks op specifieke afdelingen zichtbaar en kun je de patiëntenstroom tussen afdelingen verbeteren. Waarom dit belangrijk is Belangrijk om bottlenecks binnen de organisatie en inefficiënte overdrachten te vinden. Waar vind je dit? athenahealth 'departmentid', gekoppeld aan de afdelingsnaam. Voorbeelden Spoedeisende hulpInterne geneeskundeRadiologie
	Eindtijd van gebeurtenis EventEndTime	Het tijdstip waarop de specifieke activiteit is afgerond.
Beschrijving Legt het tijdstip vast waarop een activiteit is afgerond. Zo kun je de actieve duur van de stap berekenen, oftewel de verwerkingstijd, los van de wachttijd ervoor. Wordt gebruikt om de efficiëntie van ingezette middelen te analyseren en taken te vinden die bij handmatige uitvoering langer duren dan verwacht. Waarom dit belangrijk is Maakt het mogelijk om actieve verwerkingstijd te onderscheiden van passieve wachttijd. Waar vind je dit? Uitchecktijd, tijdstip waarop een resultaat is geverifieerd of specifieke voltooiingstimestamps in athenahealth. Voorbeelden 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Is heropname IsReadmission	Vlag die aangeeft of dit traject een ongeplande terugkeer betreft.
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 oorzaken van heropnames onderzoeken en patronen in de oorspronkelijke behandeltrajecten herkennen. Waarom dit belangrijk is Ondersteunt rechtstreeks de KPI voor het heropnamepercentage. Waar vind je dit? Tijdens ETL berekend door de opnamedatum te vergelijken met de datum van het vorige ontslag. Voorbeelden truefalse
	Leeftijdsgroep patiënt PatientAgeGroup	Indeling van de leeftijd van de patiënt in categorieën (bijvoorbeeld 18-25, 65+).
Beschrijving Deelt patiënten in demografische groepen in. Dit attribuut is nodig voor het dashboard 'Vergelijking van patiënttrajecten naar leeftijdsgroep en diagnose'. Zo wordt zichtbaar of inefficiënte processen of uitkomsten bepaalde leeftijdsgroepen, zoals ouderen of kinderen, onevenredig vaak treffen. Waarom dit belangrijk is Standaard demografische indeling voor analyse van zorgprocessen. Waar vind je dit? Afgeleid van de geboortedatum van de patiënt en StartTime. Voorbeelden 18-2930-4965+
	Naam zorgverlener ProviderName	De naam van de zorgverlener die de activiteit uitvoert.
Beschrijving Identificeert de arts, verpleegkundige of technicus die verantwoordelijk is voor de gebeurtenis. Dit attribuut is belangrijk voor analyses van de inzet van middelen. Je kunt prestatiemaatstaven, zoals doorvoer en doorlooptijd, vergelijken tussen medewerkers. Zo worden opleidingsbehoeften en verschillen in werkdruk zichtbaar. Waarom dit belangrijk is Belangrijk voor de 'Benuttingsgraad van middelen' en analyses van overdrachten. Waar vind je dit? athenahealth 'providerid', gekoppeld aan de naam in de zorgverlenerslijst. Voorbeelden Dr. SmithVerpleegkundige JonesTechnicus Adams
	Ontslagbestemming DischargeDisposition	De bestemming of status van de patiënt na ontslag.
Beschrijving Geeft aan waar de patiënt na het traject naartoe ging, bijvoorbeeld naar huis, een verpleeghuis of een hospice. Dit is belangrijk voor 'Ontslagplanning en trends in heropnames'. De bestemming geeft context bij de complexiteit van de ontslagplanning en helpt om de overgang tussen zorgvormen te beoordelen. Waarom dit belangrijk is Belangrijke context voor ontslagplanning en het risico op heropname. Waar vind je dit? Encounter-velden in athenahealth of ontslaggegevens van het ziekenhuis. Voorbeelden Naar huisVerpleeghuisOvergeplaatst naar een ziekenhuis voor kort verblijfOverleden
	Patiënt-ID PatientId	Een unieke identificatie van de patiënt (geanonimiseerd/gehasht).
Beschrijving Identificeert de patiënt in het traject op unieke wijze. Dit is vergelijkbaar met de Case-ID, maar één patiënt kan in de loop van de tijd meerdere trajecten doorlopen. Wordt gebruikt om herhaalbezoeken te koppelen en heropnames te analyseren. Dit attribuut is nodig voor de KPI 'Percentage ongeplande heropnames'. Waarom dit belangrijk is Nodig om heropnames en de patiëntgeschiedenis over meerdere trajecten te volgen. Waar vind je dit? Het veld 'patientid' in athenahealth. Voorbeelden PAT-100234PAT-559201PAT-992210
	Primaire diagnosecode PrimaryDiagnosisCode	De primaire ICD-10-code die bij het traject hoort.
Beschrijving Classificeert de klinische reden voor het patiënttraject. Dit biedt de context voor 'Vergelijking van patiënttrajecten naar leeftijdsgroep en diagnose'. Analisten gebruiken dit attribuut om trajecten per aandoening in te delen, bijvoorbeeld longontsteking of een botbreuk. De verwachte processtappen en doorlooptijden verschillen sterk per aandoening. Waarom dit belangrijk is Maakt vergelijking van vergelijkbare cases mogelijk; doorlooptijden verschillen sterk per diagnose. Waar vind je dit? Diagnosevelden van Encounter of Claim (ICD-10). Voorbeelden J18.9I10E11.9
	Type consult EncounterType	De classificatie van het bezoek, bijvoorbeeld een poliklinisch bezoek, telezorg of spoedeisende hulp.
Beschrijving Bepaalt de vorm of setting van de verleende zorg. In generieke datamodellen fungeert dit als het 'Case-type'. Per type consult verschillen de verwachte processtappen en factureringseisen. Filteren op dit attribuut is nodig om appels met appels te vergelijken bij analyses van doorlooptijden. Waarom dit belangrijk is Maakt onderscheid tussen procesvarianten, zoals telezorg en een bezoek op locatie. Waar vind je dit? Het veld 'encountertype' in athenahealth. Voorbeelden Poliklinisch bezoekTelezorgSpoedeisende hulpOperatie
	Declaratiestatus ClaimStatus	De status van de financiële declaratie voor de verleende zorg.
Beschrijving Geeft de status van de declaratie aan, bijvoorbeeld 'Ingediend', 'Afgewezen' of 'Betaald'. Dit is relevant voor de activiteit 'Declaratie ingediend' en de financiële doorvoer. Helpt vaststellen of problemen met klinische documentatie leiden tot vertragingen in de financiële afhandeling. Waarom dit belangrijk is Verbindt de efficiëntie van de zorgverlening met de prestaties van de omzetcyclus. Waar vind je dit? Het veld 'claimstatus' in athenahealth. Voorbeelden GEFACTUREERDIN DE WACHTINGEDIEND
	Is herhaalwerk IsRework	Vlag die aangeeft of deze activiteit wordt herhaald.
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 herhaalrondes'. Je kunt hiermee cases met herhaalwerk meteen afzonderlijk bekijken en de KPI 'Frequentie van herhaalactiviteiten' berekenen. Waarom dit belangrijk is Maakt inefficiënte processen en overbodige stappen zichtbaar. Waar vind je dit? Tijdens ETL berekend op basis van het aantal activiteiten per CaseId. Voorbeelden truefalse
	Status diagnostisch resultaat DiagnosticResultStatus	De uitkomststatus van een diagnostische aanvraag, bijvoorbeeld positief of normaal.
Beschrijving Legt de algemene uitslag van een onderzoek vast. Dit biedt context voor het dashboard 'Doorlooptijd van diagnostisch onderzoek' en de daaropvolgende behandelbeslissingen. Wordt gebruikt om te analyseren of afwijkende uitslagen sneller tot vervolgacties leiden dan normale uitslagen. Waarom dit belangrijk is Verbindt het procesverloop met klinische uitkomsten. Waar vind je dit? Observatievelden voor laboratoriumresultaten in athenahealth. Voorbeelden NormaalAfwijkendKritiek
	Totaalbedrag TotalChargeAmount	Het bedrag dat voor de activiteit of het traject in rekening is gebracht.
Beschrijving De financiële waarde van de activiteit of het totale declaratiebedrag. Hiermee kun je process mining op basis van kosten uitvoeren en de financiële impact analyseren. Wordt gebruikt om kostbare varianten in behandeltrajecten te vinden en het verband tussen procesefficiëntie en financiële resultaten te onderzoeken. Waarom dit belangrijk is Voegt een financiële dimensie toe aan de procesanalyse. Waar vind je dit? 'amount' of 'totalcharge' in de declaratie- of kostentabellen van athenahealth. Voorbeelden 150.002500.5045.00
	Type aanvraag OrderType	Categorie van de aanvraag, bijvoorbeeld laboratoriumonderzoek, beeldvorming of recept.
Beschrijving Classificeert klinische aanvragen tijdens het traject. Dit is belangrijk voor het dashboard 'Doorlooptijd van diagnostisch onderzoek'. Analisten kunnen hiermee de doorlooptijd van laboratoriumonderzoek apart meten van die van beeldvorming. Hiervoor gelden vaak verschillende serviceniveaus en bottlenecks. Waarom dit belangrijk is Deelt het diagnostische proces in voor gerichte analyses van doorlooptijden. Waar vind je dit? 'ordertype' of 'class' in de athenahealth-orders-API. Voorbeelden LaboratoriumonderzoekBeeldvormingReceptProcedure

Verplicht Aanbevolen Optioneel

Activiteiten in het patiënttraject

Leg deze belangrijke processtappen en mijlpalen vast in je event log om het patiënttraject goed in kaart te brengen en te verbeteren.

7 Aanbevolen 8 Optioneel

	Activiteit	Beschrijving
	Diagnose bevestigd	Een zorgverlener stelt officieel een diagnose voor de aandoening van de patiënt tijdens het huidige bezoek, of bevestigt deze. Dit kan worden afgeleid uit de aanmaak- of ‘last updated’-timestamp van de primaire diagnosecode, zoals ICD-10, die aan het bezoek is gekoppeld.
Waarom dit belangrijk is Deze belangrijke mijlpaal bepaalt het verdere behandeltraject. Door variaties in activiteiten na dit moment te analyseren, kun je zorgprotocollen beter begrijpen en standaardiseren. Waar vind je dit? Af te leiden uit de probleemlijst van de patiënt of de diagnosedata van het bezoek. Een wijziging of definitieve vastlegging van de diagnosecode en de bijbehorende timestamp geeft dit event aan. Vastleggen Bepaal de timestamp waarop de primaire diagnose voor het bezoek wordt toegevoegd of bijgewerkt. Gebeurtenistype inferred
	Eerste beoordeling afgerond	Geeft aan dat de eerste klinische beoordeling is afgerond, bijvoorbeeld triage of een verpleegkundige beoordeling waarbij vitale waarden en de belangrijkste klachten worden vastgelegd. Dit event wordt vaak afgeleid van de timestamp van de eerste ondertekende klinische notitie of een ingevuld beoordelingsformulier voor het bezoek.
Waarom dit belangrijk is Deze mijlpaal markeert het begin van de klinische zorg. De tijd tussen de aanmelding en deze activiteit is een belangrijke maat voor de eerste wachttijd en de beschikbaarheid van middelen. Waar vind je dit? Af te leiden uit de aanmaak- of ondertekeningstimestamp van specifieke klinische documenten of flowsheets in athenaClinicals. Hiervoor moet je de documenttypen voor triage of intake bepalen. Vastleggen Zoek de eerste timestamp op een klinische notitie, een flowsheet met vitale waarden of een specifiek intakeformulier voor het bezoek. Gebeurtenistype inferred
	Ontslagopdracht ingevoerd	Een arts of bevoegde zorgverlener voert een officiële opdracht in om de patiënt uit zorg te ontslaan. Dit is een expliciet event met timestamp dat wordt aangemaakt in de CPOE-module van het EPD.
Waarom dit belangrijk is Deze activiteit start het ontslagproces. De tijd tussen deze opdracht en het daadwerkelijke ontslag is een belangrijke prestatie-indicator voor de ‘doorlooptijd van ontslagplanning’. Waar vind je dit? Te vinden in de aanvraagtabel. Het event is herkenbaar aan het specifieke type ‘Discharge’ en de aanmaaktimestamp. Vastleggen Er wordt een nieuw record met het type ‘Discharge’ aangemaakt in de aanvraagtabel. Gebeurtenistype explicit
	Patiënt aangemeld	Deze activiteit geeft aan dat de patiënt is aangekomen en zich officieel heeft aangemeld voor de geplande afspraak of het bezoek. Dit wordt doorgaans vastgelegd als een expliciete statuswijziging van de afspraak in athenaClinicals of athenaCommunicator.
Waarom dit belangrijk is Dit is het officiële begin van het bezoek van de patiënt op locatie. Het vormt een belangrijk startpunt voor het meten van wachttijden en de totale doorlooptijd van een klinisch bezoek. Waar vind je dit? Vastgelegd als statusupdate in de afspraak- of bezoekstabellen. Zoek naar de status ‘Checked-In’ en de bijbehorende timestamp. Vastleggen Een statuswijziging van de afspraak of het bezoek wordt met een timestamp vastgelegd. Gebeurtenistype explicit
	Patiënt ontslagen	De patiënt is officieel ontslagen en het verblijf in de zorginstelling is afgerond. Dit is het laatste ADT-event van een klinisch verblijf en wordt met een nauwkeurige timestamp vastgelegd.
Waarom dit belangrijk is Dit event markeert het einde van het belangrijkste patiënttraject. Het is het eindpunt voor het meten van de totale ‘doorlooptijd van het patiënttraject’ en is essentieel voor de analyse van heropnames. Waar vind je dit? Dit is een expliciet event in het ADT-systeem of de tabel met patiëntbezoeken. Het markeert de eindstatus van het bezoek als ‘Discharged’ en bevat een timestamp. Vastleggen De status van het patiëntbezoek wordt bijgewerkt naar ‘Discharged’ en er wordt een ADT-event vastgelegd. Gebeurtenistype explicit
	Procedure uitgevoerd	Bij de patiënt wordt een klinische procedure uitgevoerd, zoals een operatie of gespecialiseerde therapie. Dit is een expliciet event in de klinische documentatie, vaak met vastgelegde begin- en eindtijden in een procedurenotitie.
Waarom dit belangrijk is Procedures zijn belangrijke mijlpalen in de behandeling van een patiënt. Door activiteiten vóór en na een procedure te analyseren, kun je workflows voor en na de ingreep verbeteren. Waar vind je dit? Te vinden in procedurenotities of specifieke klinische flowsheets in athenaClinicals. De eventtimestamp is gebaseerd op de vastgelegde begin- of eindtijd van de procedure. Vastleggen Er wordt een procedurenotitie of -logboek aangemaakt met een timestamp van het moment waarop de procedure plaatsvond. Gebeurtenistype explicit
	Testuitslag ontvangen	De uitslag van een diagnostische test is definitief en beschikbaar in het patiëntendossier. Dit wordt meestal vastgelegd wanneer het laboratorium- of beeldvormingssysteem de uitslag naar athenahealth stuurt en daar een record met timestamp aanmaakt.
Waarom dit belangrijk is De ontvangst van de uitslag is een belangrijk startpunt voor volgende klinische beslissingen, zoals de diagnose en het behandelplan. Dit event vormt het eindpunt voor het meten van de doorlooptijd van diagnostiek. Waar vind je dit? Te vinden in de tabel met uitslagen of diagnostiek, gekoppeld aan de oorspronkelijke aanvraag. De timestamp geeft aan wanneer de uitslag in het patiëntendossier is opgeslagen of ontvangen. Vastleggen Er wordt een nieuw uitslagrecord met timestamp aangemaakt, vaak via een koppeling met een LIS of RIS. Gebeurtenistype explicit
	Afspraak ingepland	Dit event geeft aan dat er een afspraak voor een patiënt is ingepland. Het wordt expliciet vastgelegd wanneer een gebruiker een nieuwe afspraak aanmaakt en bevestigt in de planningsmodule athenaCommunicator van athenahealth.
Waarom dit belangrijk is Deze activiteit is voor veel patiënttrajecten het eerste contactmoment. Door de tijd tussen het inplannen en het aanmelden te analyseren, krijg je inzicht in de toegang tot zorg en de efficiëntie vóór het bezoek. Waar vind je dit? Dit is een expliciet event in de afspraak- of planningstabellen. Het is doorgaans gekoppeld aan een aanmaaktimestamp en patiënt-ID. Vastleggen Het event wordt vastgelegd wanneer een afspraakrecord in de planningsmodule wordt aangemaakt. Gebeurtenistype explicit
	Behandelplan opgesteld	Dit event geeft aan dat een zorgverlener het behandelplan van een patiënt formeel opstelt en documenteert. Het kan worden vastgelegd wanneer een specifiek document ‘Plan of Care’ of een reeks bijbehorende behandelopdrachten wordt aangemaakt of ondertekend.
Waarom dit belangrijk is Met deze activiteit wordt het beoogde klinische traject vastgelegd. Dit is een belangrijk moment om te meten of de zorg aan standaardprotocollen voldoet en om variaties in de zorg te analyseren. Waar vind je dit? Waarschijnlijk te vinden in de tabellen met klinische documenten of aanvragen. Dit event komt overeen met de timestamp van een ondertekende zorgplannotitie of het indienen van een samenhangende reeks behandelopdrachten. Vastleggen De timestamp waarop een specifiek behandelplandocument of een reeks opdrachten wordt aangemaakt of definitief vastgelegd. Gebeurtenistype explicit
	Declaratie ingediend	Er wordt een declaratie opgesteld voor de zorg die tijdens het patiëntbezoek is verleend en ingediend bij de betaler. Dit is een expliciet event in de module athenaCollector voor het beheer van de inkomstencyclus.
Waarom dit belangrijk is Hoewel dit een administratieve stap is, is deze activiteit belangrijk voor de analyse van het omzetcyclusproces dat parallel loopt aan het klinische traject. Zo worden vertragingen tussen de zorgverlening en de facturering zichtbaar. Waar vind je dit? Te vinden in de declaratie- of factureringstabellen. De gebeurtenis wordt vastgelegd met 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 'Ingediend'. Gebeurtenistype explicit
	Diagnostische test aangevraagd	Een zorgverlener vraagt een diagnostische test aan, zoals een laboratoriumtest, scan of andere procedure. Dit is een expliciet event met timestamp dat wordt aangemaakt via de CPOE-functionaliteit (Computerized Provider Order Entry) in athenaClinicals.
Waarom dit belangrijk is Dit is een belangrijk beslismoment dat een diagnostisch deelproces start. Door deze activiteit te volgen, kun je de KPI ‘Doorlooptijd diagnostische test’ meten, van aanvraag tot uitslag. Waar vind je dit? Te vinden in de tabel met aanvragen. Elke aanvraag bevat een patiënt-ID, de naam en status van de aanvraag en een aanmaaktimestamp. Vastleggen Er wordt met een timestamp een nieuw record aangemaakt in de aanvraagtabel van het systeem. Gebeurtenistype explicit
	Medicatie toegediend	Een zorgmedewerker dient de medicatie daadwerkelijk toe aan de patiënt. Dit wordt expliciet vastgelegd in de module Medication Administration Record (MAR) van athenaClinicals, met een nauwkeurige timestamp voor elke dosis.
Waarom dit belangrijk is Deze activiteit is een directe behandelinterventie. Door het tijdstip te analyseren, kun je de ‘Tijd tot eerste behandeling’ meten en controleren of medicatieschema’s worden gevolgd. Waar vind je dit? Te vinden in de MAR-datatabellen. Elk toedieningsevent 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. Gebeurtenistype explicit
	Monster afgenomen	Dit event geeft aan dat bij de patiënt biologisch materiaal, zoals bloed of urine, is afgenomen voor een laboratoriumtest. Het wordt doorgaans expliciet vastgelegd in de laboratoriummodule of als statusupdate van de aanvraag.
Waarom dit belangrijk is Dit is een belangrijke mijlpaal in het diagnostische testproces. De tijd tussen de aanvraag, de afname en de uitslag kan grote bottlenecks in laboratoriumworkflows aan het licht brengen. Waar vind je dit? Dit event is terug te vinden als statuswijziging van de laboratoriumaanvraag of als afzonderlijk event in een laboratoriuminformatiesysteem dat is gekoppeld aan athenahealth. Zoek naar de status ‘Collected’ en de timestamp. Vastleggen Vastgelegd als statusupdate van de laboratoriumaanvraag of in een aparte module voor het volgen van monsters. Gebeurtenistype 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 als een ADT-event (Admission, Discharge, Transfer) in het EPD.
Waarom dit belangrijk is Deze activiteit is belangrijk voor het analyseren van overdrachten tussen afdelingen en de patiëntenstroom binnen een zorginstelling. Zo kun je bottlenecks in de ‘overdrachtstijd van patiënten’ en de inzet van middelen herkennen. Waar vind je dit? Vastgelegd in het ADT-event log of in tabellen voor het volgen van patiënten. Elk overdrachtsevent bevat de patiënt, de vertrek- en aankomstlocatie en een timestamp. Vastleggen Bij de overplaatsing van een patiënt wordt een ADT-bericht of event log-record met timestamp aangemaakt. Gebeurtenistype explicit
	Vervolgafspraak ingepland	Na de hoofdbehandeling of het ontslag wordt een vervolgafspraak voor de patiënt ingepland. Dit event 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 nazorg en de invloed daarvan op uitkomsten, zoals het aantal heropnames, te begrijpen. Ze laat zien hoe de continuïteit van zorg is geregeld. Waar vind je dit? Vastgelegd in de afsprakentabel. Het event is herkenbaar aan de aanmaaktimestamp van een afspraak na de ontslagdatum. Vastleggen Er wordt een nieuw afspraakrecord aangemaakt in het planningssysteem. Gebeurtenistype explicit

Aanbevolen Optioneel

Extractiegidsen

Zo haal je data uit athenahealth

Stappen

Log in op het athenaNet-portaal met je beveiligde inloggegevens.
Open via het hoofdmenu de module Reports. Deze staat meestal onder 'Reports' > 'Report Builder' of 'Custom Reports'.
Klik op 'Create New Report' en kies 'Encounters' of 'Patient Visit' als hoofdcategorie. Zo zijn de gedetailleerde data gekoppeld aan een specifiek patiënttraject.
Zoek in het gedeelte 'Columns' of 'Fields' naar Patient Identifier (Patient ID) en Encounter Identifier (Encounter ID) en voeg deze toe als case-ID.
Voeg de demografische en contextuele kolommen toe die je nodig hebt voor de attributen, zoals Department, Provider Name, Patient Age en Primary Diagnosis Code.
Voeg de timestampkolommen toe die bij de activiteiten horen. Mogelijk staan ze in verschillende veldgroepen, bijvoorbeeld 'Scheduling' voor Appointment Scheduled, 'Check-in' voor Check-in Time en 'Billing' voor Claim Submitted. Kies waar mogelijk de indeling 'Date and Time', niet alleen Date.
Stel filters in voor het rapport. Kies bij 'Encounter Date' de gewenste analyseperiode, bijvoorbeeld Last 6 Months. Filter afspraken met de status 'Cancelled' of 'No Show' eruit, zodat je alleen voltooide trajecten analyseert.
Klik op 'Run Report' om de data te bekijken. Controleer of de kolommen data bevatten en niet helemaal leeg zijn.
Kies 'Export' en selecteer 'CSV' (Comma Separated Values) als bestandsindeling. Gebruik geen Excel- of XLSX-opmaakfuncties, want die maken de verwerking ingewikkelder.
Sla het bestand lokaal op als 'athena_raw_export.csv'.
Het rapport bevat één rij per contact en meerdere datumkolommen (breed formaat). Zet de data daarom om naar een event log (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 3-6 maanden om time-outs of rijlimieten te voorkomen. In standaardweergaven ligt de limiet meestal rond de 50.000 rijen.
Kolomselectie: Selecteer expliciete timestampvelden. Gebruik geen berekende velden zoals 'Days since check-in', maar kies een absolute datum en tijd, zoals 'Check-in Date/Time'.
Omgaan met lege waarden: Stel het rapport zo in dat ontbrekende data als lege cellen worden weergegeven, niet met aangepaste tekst zoals 'N/A'. Dat maakt de verwerking met scripts eenvoudiger.
Filteren op afdeling: Is de organisatie groot, filter dan op specifieke zorglocaties of afdelingen, zoals 'Cardiology' of 'Orthopedics', zodat de dataset gericht blijft.
Machtigingen: De gebruiker heeft in athenaNet de machtiging 'Report Creator' of 'Clinical Reporting' nodig om de Custom Report Builder te gebruiken.

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 een Client ID en Client Secret te krijgen. Geef de applicatie toegang tot Appointments, Clinicals (Charts), Orders en Billing (Claims).
Python-omgeving instellen: Installeer de benodigde Python-bibliotheken (requests, pandas) in je uitvoeromgeving met pip install requests pandas.
Authenticatie instellen: Implementeer de OAuth 2.0 Client Credentials grant flow om een toegangstoken op te halen. Voeg dit token als Bearer-token toe aan de Authorization-header van alle volgende API-aanroepen.
Bereik bepalen: Stel de Practice ID en de periode voor de extractie in. De API’s van athenahealth zijn gekoppeld aan een praktijk. Beheer je meerdere praktijken, doorloop dan elke Practice ID.
Afspraken ophalen: Vraag het endpoint /appointments/booked of /appointments/changed op om de basisgegevens van contacten op te halen. Koppel de afspraak-ID aan PatientEpisodeId. Gebruik de aanmaakdatum voor 'Appointment Scheduled' en de inchecktijd voor 'Patient Checked In'.
Klinische gebeurtenissen per contact ophalen: Vraag voor elke afspraak-ID (contact) de klinische sub-endpoints op. 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'.
Uitslagen en diagnoses ophalen: Vraag /chart/{encounterId}/analyteresults of /chart/{encounterId}/labresults op voor 'Test Results Received'. Vraag /chart/{encounterId}/diagnoses op voor 'Diagnosis Confirmed'.
Behandelingen en procedures ophalen: Vraag /chart/{encounterId}/plan op voor 'Treatment Plan Developed'. Vraag /chart/{encounterId}/procedures op voor 'Procedure Performed'. Vraag /chart/{encounterId}/medications/admin op voor 'Medication Administered'.
ADT-gegevens en declaraties ophalen: Gebruik de statusgeschiedenis van de afspraak of specifieke ziekenhuis-endpoints (indien beschikbaar) om 'Patient Transferred' en 'Patient Discharged' vast te leggen. Vraag /claims op voor declaraties die bij de afspraak horen en haal 'Claim Submitted' op.
Vervolgafspraken koppelen: Zoek naar 'Follow-Up Appointment Scheduled' door afspraken op te zoeken die tijdens de periode van het contact voor dezelfde patiënt-ID zijn aangemaakt.
Data omzetten en afvlakken: Zet de geneste JSON-antwoorden om in een platte lijst met gebeurtenisgegevens. Zet alle timestamps om naar ISO 8601. Koppel de velden aan ActivityName, PatientEpisodeId en EventTimestamp.
Data exporteren: Laad de lijst met gegevens in een pandas DataFrame, voer de laatste opschoning uit (waaronder het verwerken van lege waarden) en exporteer de data naar een CSV-bestand dat klaar is om in ProcessMind te laden.

Configuratie

API-inloggegevens: Je hebt een geldige Client ID en Secret van het athenahealth Developer Portal nodig, met toegang tot de productieomgeving.
Practice ID: De unieke numerieke identificatie van de medische praktijk. Haal je data op voor een netwerk, voer het script dan voor elke praktijk uit.
Datumbereik: Een extractieperiode van 3 tot 6 maanden wordt aanbevolen vanwege de hoeveelheid gedetailleerde klinische data.
Aanroeplimieten: De athenaOne API heeft strikte limieten, bijvoorbeeld 5 aanroepen per seconde. Het script bevat een wachttijd, maar voor extracties op grote schaal moet je exponentiële wachttijden instellen.
Toegangsrechten: Controleer of het token toegang heeft tot athena/service/Athenanet.MDP.* of specifieke rechten voor afspraken, dossiers en financiële data.
Paginering: De meeste endpoints geven een beperkt aantal records terug, standaard 1000. Het script moet de parameters next of offset verwerken.
Filteren op afdeling: Analyseer je specifieke zorgstromen, zoals spoedeisende hulp of poliklinische zorg, filter dan tijdens het ophalen van afspraken op afdeling-ID.

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 de patiëntenzorg. Deze template is een eerste stap naar waardevolle inzichten en betere zorgresultaten.

Terug naar de verbetergids

Template downloaden

Verbeter nu patiënttrajecten en pak bottlenecks aan

Spoor inefficiëntie in athenahealth op en verkort de doorlooptijd van patiënttrajecten met 30%.

Start je gratis proefperiode

Geen creditcard nodig. Begin vandaag met verbeteren.

Datatemplate voor het patiënttraject

Datatemplate voor het patiënttraject

Attributen van het patiënttraject

Activiteiten in het patiënttraject

Extractiegidsen

Aangepaste CSV-export met athenaNet Report Builder

Stappen

Configuratie

Voorbeeldquery python

Gebeurtenissen uit de athenaOne API ophalen met Python

Stappen

Configuratie

Voorbeeldquery python

Klaar om te beginnen?

Verbeter nu patiënttrajecten en pak bottlenecks aan