> Continue verbetering > Patiëntenreis > Athenahealth > datatemplate

Uw Patiëntenreis datatemplate

Athenahealth

Patiëntenreis Attributen (19) Patiëntenreisactiviteiten (15) Extractiegidsen (2)

Uw Patiëntenreis datatemplate

Deze template is een volledige gids voor het verzamelen van de data voor het analyseren van je patient klantreis. Het schetst de essentiële attributen en activiteiten die je moet volgen, samen met duidelijke richtlijnen voor het extraheren van deze Informatie uit athenahealth. Gebruik dit hulpmiddel om ervoor te zorgen dat je data klaar is voor effectieve process mining.

Aanbevolen attributen om vast te leggen
Belangrijkste activiteiten om te volgen
athenahealth extractiehandleiding

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

Template downloaden

Patiëntenreis Attributen

Dit zijn de aanbevolen velden om op te nemen in uw event log, belangrijk voor grondige analyse en begrip van uw patient klantreiss.

5 Verplicht 9 Aanbevolen 5 Optioneel

	Naam	Omschrijving
	Activiteitsnaam ActivityName	De naam van de gebeurtenis of taak die is uitgevoerd in de patient klantreis.
Omschrijving Geeft de specifieke stap in het proces aan, zoals 'Patiënt ingecheckt', 'Diagnostische test besteld' of 'Medicatie toegediend'. Deze tekststring definieert de stappen in de procesmap. Gebruikt om de processtroom te visualiseren en de volgorde van operaties te vinden. Standaardisatie van deze namen is belangrijk voor een overzichtelijke en leesbare procesmap. Het belang Definieert de stappen van de proceskaart en is verplicht voor elke process mining. Vindplaats Afgeleid uit auditlogs, afspraakstatuswijzigingen of claimregelitembeschrijvingen. Voorbeelden Afspraak geplandPatiënt ingechecktDiagnostische Test AangevraagdPatiënt Ontslagen
	Bronsysteem SourceSystem	De naam van het systeem waar de data vandaan komt.
Omschrijving Identificeert het IT-systeem dat verantwoordelijk is voor het genereren van de registratie, in dit geval 'athenahealth'. Dit is bijzonder nuttig in omgevingen met meerdere systemen waar data kan worden samengevoegd. Stelt analysesten in staat om het overzicht te filteren op databron en datakwaliteitsproblemen, specifiek voor één systeem, op te lossen. Het belang Biedt data lineage en context in multi-systeem process mining setups. Vindplaats Hardcoded literal of systeemconfiguratie ID. Voorbeelden AthenahealthathenaOneathenaPractice
	Patiëntepisode PatientEpisodeId	Unieke kenmerk voor de specifieke patiëntepisode of -reis.
Omschrijving Dit attribuut dient als de centrale Case Identifier, die alle activiteiten groepeert die gerelateerd zijn aan een specifieke zorgperiode of conditie voor een patiënt. Het verbindt verschillende gebeurtenissen zoals afspraken, diagnostische orders en ontslagprocedures tot één samenhangende klantreis. Bij de analyse is dit ID de primary key voor process mining, waardoor de reconstructie van de end-to-end flow mogelijk is. Het zorgt ervoor dat meerdere bezoeken van dezelfde patiënt voor verschillende condities worden behandeld als afzonderlijke procesinstanties. Het belang Essentieel voor het definiëren van de scope van een enkele procesinstantie binnen de analyse. Vindplaats Afgeleid van het groeperen van Encounter ID's of gekoppeld aan een specifieke Episode of Care ID in athenahealth. Voorbeelden EP-2023-88491EP-2023-99102ENC-55412-GRP
	Tijdstempel EventTimestamp	De specifieke datum en tijd waarop de activiteit plaatsvond.
Omschrijving Registreert het exacte moment waarop een activiteit plaatsvond. Dit wordt gebruikt om gebeurtenissen chronologisch te ordenen en doorlooptijden tussen stappen te berekenen. Belangrijk voor tijdgebonden analyse, inclusief doorlooptijden, wachttijden en doorlooptijd-analyse. Hoge precisie is belangrijk om de volgorde van gebeurtenissen die op dezelfde dag plaatsvinden, op te lossen. Het belang Verplicht om gebeurtenissen te ordenen en alle tijdgebonden KPI's te berekenen. Vindplaats Timestamp velden gekoppeld aan statuswijzigingen of aanmaakdata in athenahealth-tabellen. Voorbeelden 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Tijdstip van extractie LastDataUpdate	De timestamp waarop de data voor het laatst is opgehaald of ververst.
Omschrijving Geeft hoe actueel de data is aan die in de analyse wordt gebruikt. Dit helpt gebruikers te begrijpen of ze naar real-time data of een historisch snapshot kijken. Gebruikt om datapijplijns te beheren en te zorgen dat dashboards de meest actuele staat van het proces weergeven. Het belang Belangrijk voor data-governance en gebruikersvertrouwen in de relevantie van het dashboard. Vindplaats Systeemtijd op het moment van ETL-uitvoering. Voorbeelden 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Eindtijd van het gebeurtenis EventEndTime	Het tijdsTip waarop de specifieke activiteit werd voltooid.
Omschrijving Legt de voltooiingstijd van een activiteit vast, waardoor de berekening van de actieve duur (verwerkingstijd) van de stap zelf mogelijk wordt, los van de wachttijd ervoor. Wordt gebruikt om de efficiëntie van middelen te analyseren en taken te vinden die langer duren dan verwacht om handmatig uit te voeren. Het belang Maakt de berekening mogelijk van actieve verwerkingstijd versus passieve wachttijd. Vindplaats Uitchecktijd, geverifieerde resultaat tijd, of specifieke voltooiingstijdsTippen in athenahealth. Voorbeelden 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Encounter Type EncounterType	De classificatie van het bezoek (bijv. Polikliniekbezoek, Telegezondheidszorg, Spoedeisende Hulp).
Omschrijving Definieert de modaliteit of setting van de geleverde zorg. Dit fungeert als het 'Case Type' in generieke data modellen. Verschillende encountertypes hebben verschillende verwachte flows en factureringsvereisten. Filteren op dit attribuut is belangrijk om appels met peren vergelijken te voorkomen in de doorlooptijdanalyse. Het belang Maakt onderscheid tussen verschillende procesvarianten zoals Telehealth versus Fysiek consult. Vindplaats athenahealth 'encountertype' veld. Voorbeelden PolikliniekbezoekTelegezondheidszorgNoodgevalChirurgie
	Is Heropname IsReadmission	Vlag die aangeeft of deze zorgepisode een ongeplande terugkeer vertegenwoordigt.
Omschrijving Een boolean-indicator die aangeeft of de patiënt binnen een vastgestelde periode (bijv. 30 dagen) na een eerder ontslag terugkeerde naar het ziekenhuis. Dit helpt bij de KPI 'Percentage Ongeplande Heropnames'. Door op dit attribuut te filteren, kunnen analysesten de diepere oorzaken van heropnames onderzoeken en patronen vinden in de initiële behandeltrajecten. Het belang Ondersteunt direct de Heropnamepercentage KPI. Vindplaats Berekend tijdens ETL door de opnamedatum te vergelijken met de vorige ontslagdatum. Voorbeelden truefalse
	Naam afdeling DepartmentName	De ziekenhuis- of kliniekafdeling waar de activiteit plaatsvond.
Omschrijving Segmenteert de procesdata per functionele eenheid, zoals Spoedeisende Hulp, Cardiologie of Radiologie. Dit is belangrijk voor het 'Afdeling Throughput & Handoffs' dashboard. Analyse met dit attribuut benadrukt knelpunten in specifieke gebieden en helpt de cross-afdeling patiëntenstroom te optimaliseren. Het belang Belangrijk voor het vinden van organisatorische knelpunten en inefficiënties bij overdracht. Vindplaats athenahealth 'departmentid' opgelost naar afdelingsnaam. Voorbeelden Spoedeisende HulpInterne GeneeskundeRadiologie
	Naam zorgverlener ProviderName	De naam van de zorgverlener die de actie uitvoert.
Omschrijving Identificeert de specifieke arts, verpleegkundige of technicus die verantwoordelijk is voor de gebeurtenis. Dit attribuut is belangrijk voor de analyse van het brongebruik. Het maakt vergelijking mogelijk van prestatiesmeetwaarden, zoals doorlooptijd en doorlooptijd, tussen verschillende personeelsleden om trainingsbehoeften of werkdrukverschillen te vinden. Het belang Sleutel voor 'Resourcebezetting Rate' en het analyseren van overdrachten. Vindplaats athenahealth 'providerid' opgelost naar naam van zorgaanbieder. Voorbeelden Dr. SmithVerpleegkundige JonesTechnicus Adams
	Ontslagbestemming DischargeDisposition	De bestemming of status van de patiënt bij ontslag.
Omschrijving Geeft aan waar de patiënt na de episode naartoe ging, zoals 'Thuis', 'Verpleeghuis' of 'Hospice'. Dit is belangrijk voor 'Ontslagplanning & Heropnametrends'. Hhet biedt context over de complexiteit van de vereiste ontslagplanning en helpt de effectiviteit van zorgovergangen te beoordelen. Het belang Cruciale context voor ontslagplanning en heropnamerisico. Vindplaats athenahealth encounter-velden of ziekenhuisontslagrecords. Voorbeelden ThuisGespecialiseerde verpleeginstellingOvergedragen naar kortetermijnziekenhuisOverleden
	Patiënt ID PatientId	Een unieke identificatie voor de patiënt (geanonimiseerd/gehasht).
Omschrijving Identificeert uniek de klant (patiënt) die de klantreis ondergaat. Hoewel vergelijkbaar met de case kenmerk, kan één patiënt in de loop der tijd meerdere episodes hebben. Gebruikt om herhaalbezoeken te koppelen en heropnamepercentages te analyseren. Het is belangrijk voor de KPI 'Percentage Ongeplande Heropnames'. Het belang Noodzakelijk voor het bijhouden van heropnames en patiëntgeschiedenis over verschillende episodes. Vindplaats athenahealth 'patientid' veld. Voorbeelden PAT-100234PAT-559201PAT-992210
	Patiënt leeftijdsgroep PatientAgeGroup	Categorische groepering van de leeftijd van de patiënt (bijv. 18-25, 65+).
Omschrijving Segmenteert patiënten in demografische cohorten. Dit is direct vereist voor het 'Leeftijdsgroep & Diagnose Journey Vergelijking' dashboard. Het helpt te vinden of procesinefficiënties of uitkomsten onevenredig van invloed zijn op specifieke leeftijdsdemografieën, zoals ouderen of pediatrische patiënten. Het belang Standaard demografisch segment voor procesanalyse in de gezondheidszorg. Vindplaats Afgeleid van Patiënt Geboortedatum en StartTijd. Voorbeelden 18-2930-4965+
	Primaire Diagnosecode PrimaryDiagnosisCode	De primaire ICD-10 code gekoppeld aan de episode.
Omschrijving Classificeert de klinische reden voor de patiëntreis. Dit biedt de context die nodig is voor 'Vergelijking Leeftijdsgroep & Diagnose Reis'. Analisten gebruiken dit om reizen te segmenteren op aandoening (bijv. Longontsteking versus Botbreuk) omdat verschillende aandoeningen enorm verschillende verwachte trajecten en doorlooptijden hebben. Het belang Maakt vergelijking van 'gelijksoortige' cases mogelijk; doorlooptijden variëren sterk per diagnose. Vindplaats Encounter- of Claimdiagnosevelden (ICD-10). Voorbeelden J18.9I10E11.9
	Claimstatus ClaimStatus	De status van de financiële claim die verband houdt met de zorg.
Omschrijving Geeft de status van de declaratie aan, zoals 'Ingediend', 'Geweigerd' of 'Betaald'. Dit is relevant voor de 'Claim Ingediend' activiteit en financiële doorlooptijd. Hhelpt bij het vinden of problemen met klinische documentatie leiden tot financiële vertragingen aan de achterkant. Het belang Koppelt klinische efficiëntie aan de prestaties van de omzetcyclus. Vindplaats athenahealth 'claimstatus' veld. Voorbeelden GEFACTURAAREERDWACHTDROP
	Diagnostische Resultaat Status DiagnosticResultStatus	De uitkomststatus van een diagnostische order (bijv. Positief, Normaal).
Omschrijving Legt het hoofdresultaat van een test vast. Dit biedt context voor de 'Doorlooptijd Diagnostische Tests' en daaropvolgende behandelbeslissingen. Wordt gebruikt om te analyseren of abnormale resultaten leiden tot snellere vervolgacties vergeleken met normale resultaten. Het belang Verbindt de processtroom met klinische resultaten. Vindplaats athenahealth labresultaat observatievelden. Voorbeelden NormaalAbnormaalKritiek
	Is herstelwerk IsRework	Vlag die aangeeft of deze activiteit een herhaling is.
Omschrijving Een boolean-vlag die aangeeft dat de activiteit meer dan eens heeft plaatsgevonden binnen dezelfde case. Dit ondersteunt het 'Activiteit Frequentie en Rework Loops' dashboard. Het maakt onmiddellijke isolatie mogelijk van cases met herstelwerk, wat de berekening van de 'Frequentie van Rework Activiteiten' KPI vergemakkelijkt. Het belang Identificeert procesinefficiënties en overbodige stappen. Vindplaats Berekend tijdens ETL op basis van activiteitsvoorkomens per Case-ID. Voorbeelden truefalse
	Ordertype OrderType	Categorie van de order (bijv. Lab, Beeldvorming, Recept).
Omschrijving Classificeert klinische orders die tijdens de zorgepisode zijn geplaatst. Dit is belangrijk voor het 'Doorlooptijd Diagnostische Tests' dashboard. Het stelt analysesten in staat om doorlooptijden specifiek te meten voor Laboratoriumtests versus Beeldvorming, die vaak verschillende serviceniveauovereenkomsten en knelpunten hebben. Het belang Segmenteert het diagnostische proces voor specifieke lead time-analyse. Vindplaats athenahealth 'ordertype' of 'class' in de orders API. Voorbeelden LabBeeldvormingReceptProcedure
	Totaal declaratiebedrag TotalChargeAmount	Het geldbedrag dat in rekening is gebracht voor de activiteit of episode.
Omschrijving De financiële waarde gekoppeld aan de activiteit of het totale declaratiebedrag. Dit maakt kosten-gebaseerde process mining en financiële impactanalyse mogelijk. Gebruikt om dure variaties in behandelpaden te vinden en procesefficiëntie te correleren met financiële uitkomsten. Het belang Voegt een financiële dimensie toe aan de procesanalyse. Vindplaats athenahealth 'amount' of 'totalcharge' in claim/charge tabellen. Voorbeelden 150.002500.5045.00

Verplicht Aanbevolen Optioneel

Patiëntenreisactiviteiten

Dit zijn de belangrijke processtappen en mijlpalen om vast te leggen in uw event log voor accurate bekijkking en optimalisatie van de patiëntervaring.

7 Aanbevolen 8 Optioneel

	Activiteit	Omschrijving
	Diagnose Bevestigd	Een clinicus wijst officieel een diagnose toe aan of bevestigt deze voor de aandoening van de patiënt voor de huidige encounter. Dit kan worden afgeleid uit de aanmaak- of 'laatst bijgewerkte' timestamp van de primaire diagnosecode, zoals ICD-10, geassocieerd met de patiëntencounter.
Het belang Dit is een belangrijk mijlpaal dat het daaropvolgende behandelpad bepaalt. Het analyseren van variaties in activiteiten na dit punt helpt bij het begrijpen en standaardiseren van zorgprotocollen. Vindplaats Afgeleid van de probleemlijst van de patiënt of de diagnose data van de encounter. Een wijziging of finalisering van de diagnosecode en de bijbehorende timestamp signaleert deze gebeurtenis. Vastleggen Detecteer de timestamp wanneer de primaire diagnose voor de encounter wordt toegevoegd of bijgewerkt. Gebeurtenistype inferred
	Eerste Beoordeling Voltooid	Markert de voltooiing van de eerste klinische evaluatie, zoals triage of verpleegkundige beoordeling, waarbij vitale functies en primaire klachten worden vastgelegd. Deze gebeurtenis wordt vaak afgeleid van de timestamp van de eerste ondertekende klinische notitie of een voltooid beoordelingsformulier voor de encounter.
Het belang Deze mijlpaal geeft de start van klinische zorg aan. De duur van check-in tot deze activiteit is een belangrijke maatstaf voor de initiële wachttijd van patiënten en de responsiviteit van bronnen. Vindplaats Afgeleid van de creatie- of ondertekeningstimestamp van specifieke klinische documenten of flowsheets in athenaClinicals. Verplicht het vinden van de relevante documenttypen voor triage of intake. Vastleggen Identificeer de eerste timestamp op een klinische notitie, vitals flowsheet, of een specifiek intakeformulier voor de encounter. Gebeurtenistype inferred
	Ontslagorder Geschreven	Een arts of bevoegde zorgverlener schrijft een officieel bevel om de patiënt uit de zorg te ontslaan. Dit is een expliciete, van een timestamp voorziene gebeurtenis die is aangemaakt binnen de CPOE-module van het EPD.
Het belang Deze activiteit initieert het ontslagproces. De tijd tussen deze order en het feitelijke ontslag is een belangrijke prestatie-indicator voor 'Doorlooptijd ontslagplanning'. Vindplaats Bevindt zich in de ordertabel. De gebeurtenis wordt geïdentificeerd door een specifiek 'Ontslag' ordertype en de aanmaak timestamp. Vastleggen Een nieuw record met een ordertype 'Discharge' wordt aangemaakt in de orders-tabel. Gebeurtenistype explicit
	Patiënt ingecheckt	Deze activiteit markeert de aankomst van de patiënt en de formele check-in voor hun geplande afspraak of bezoek. Dit wordt doorgaans vastgelegd als een expliciete statuswijziging in het afspraakrecord binnen athenaClinicals of athenaCommunicator.
Het belang Dit is de definitieve start van de patiëntreis ter plaatse. Het dient als een belangrijk startpunt voor het meten van wachttijden en de algehele doorlooptijd van een klinische encounter. Vindplaats Vastgelegd als een statusupdate in de afspraak- of encountartabellen. Zoek naar een 'Ingecheckt' status en de bijbehorende timestamp. Vastleggen Een statuswijziging van de afspraak of het encounter-object wordt gelogd met een timestamp. Gebeurtenistype explicit
	Patiënt Ontslagen	De patiënt is officieel ontslagen en het intra-murale deel van hun reis is voltooid. Dit is de laatste ADT gebeurtenis voor een opname-encounter, vastgelegd met een precieze timestamp.
Het belang Deze gebeurtenis markeert het einde van de belangrijkste patiëntreis. Het is het eindpunt voor het meten van de totale 'Patiënttraject Cycle Time' en is belangrijk voor heropname-analyse. Vindplaats Dit is een expliciete gebeurtenis in het ADT-systeem of de patiëntcontacttabel, die de uiteindelijke status van de encounter markeert als 'Ontslagen' samen met een timestamp. Vastleggen De patiëntcontact status wordt bijgewerkt naar 'Ontslagen' en een ADT gebeurtenis wordt gelogd. Gebeurtenistype explicit
	Procedure Uitgevoerd	Een klinische procedure, zoals een operatie of gespecialiseerde therapie, wordt uitgevoerd bij de patiënt. Dit is een expliciete gebeurtenis die wordt vastgelegd in de klinische documentatie, vaak met specifieke start- en eindtijden genoteerd in een procedureverslag.
Het belang Procedures zijn belangrijke mijlpalen in de behandeling van een patiënt. Het analyseren van de activiteiten voor en na een procedure helpt bij het optimaliseren van pre-operatieve en post-operatieve workflows. Vindplaats Te vinden in procedureverslagen of specifieke klinische flowsheets in athenaClinicals. De gebeurtenis timestamp is afgeleid van de gedocumenteerde start- of eindtijd van de procedure. Vastleggen Een procedureverslag of logboek wordt aangemaakt met een timestamp voor wanneer de procedure plaatsvond. Gebeurtenistype explicit
	Testresultaten ontvangen	De resultaten van een diagnostische test worden gefinaliseerd en beschikbaar gesteld in het patiëntendossier. Dit wordt meestal vastgelegd wanneer het lab- of beeldvormingssysteem de resultaten terugstuurt naar athenahealth, waardoor een timestamped entry ontstaat.
Het belang De ontvangst van resultaten is een kritieke trigger voor daaropvolgende klinische beslissingen, zoals diagnose en behandelplanning. Deze gebeurtenis is het eindpunt voor het meten van diagnostische doorlooptijden. Vindplaats Bevindt zich in de resultaten- of diagnostiektabel, gekoppeld aan de herkomstele order. De gebeurtenis wordt gemarkeerd door de timestamp waarop het resultaat werd gearchiveerd of ontvangen in het patiëntendossier. Vastleggen Een nieuw resultaatrecord wordt aangemaakt met een timestamp, vaak via een interface van een LIS of RIS. Gebeurtenistype explicit
	Afspraak gepland	Vertegenwoordigt het boeken van een afspraak voor een patiënt. Deze gebeurtenis wordt expliciet vastgelegd wanneer een gebruiker een nieuwe afspraak boeking creëert en bevestigt in de planningsmodule van athenahealth, athenaCommunicator.
Het belang Deze activiteit markeert het initiële contactpunt voor veel patient klantreiss. Het analyseren van de tijd van planning tot check-in helpt inzicht te krijgen in patiënttoegang en pre-bezoek efficiëntie. Vindplaats Dit is een expliciete gebeurtenis die is gelogd in de afspraak- of planningsjablonen. Het is typisch gekoppeld aan een aanmaak timestamp en patiënt-ID. Vastleggen Event wordt vastgelegd bij het aanmaken van een afsprakenrecord in de planningsmodule. Gebeurtenistype explicit
	Behandelplan ontwikkeld	Vertegenwoordigt de formele creatie en documentatie van het behandelplan van een patiënt door een clinicus. Dit kan worden vastgelegd als de creatie of ondertekening van een specifiek 'Zorgplan' document of een set van gerelateerde behandelorders.
Het belang Deze activiteit formaliseert het beoogde klinische pad. Het is een belangrijk punt voor het meten van conformiteit met standaardprotocollen en het analyseren van variaties in zorg. Vindplaats Waarschijnlijk te vinden in de klinische documenten of ordertabellen. Deze gebeurtenis komt overeen met de timestamp van een ondertekende zorgplan notitie of het indienen van een gecoördineerde set behandelingsorders. Vastleggen Event is de aanmaak- of finalisatietimestamp van een specifiek behandelplan document of order set. Gebeurtenistype explicit
	Claim ingediend	Een claim voor de geleverde diensten tijdens de patiëntencounter wordt gegenereerd en ingediend bij de betaler. Dit is een expliciete gebeurtenis binnen de athenaCollector revenue cycle management module.
Het belang Hoewel het een administratieve stap is, is deze activiteit belangrijk voor het analyseren van het revenue cycle proces dat parallel loopt aan de klinische klantreis. Het helpt vertragingen tussen klinische zorg en facturatie te vinden. Vindplaats Te vinden in de claims- of factureringstabellen. De gebeurtenis wordt gemarkeerd door een claimaanmaak- of indieningstimestamp. Vastleggen Een claimrecord wordt aangemaakt en de status ervan wordt met een timestamp bijgewerkt naar 'Submitted'. Gebeurtenistype explicit
	Diagnostische Test Aangevraagd	Een zorgverlener plaatst een order voor een diagnostische test zoals een laboratoriumtest, een beeldvormende scan of een andere procedure. Dit is een expliciete, van een timestamp voorziene gebeurtenis die is aangemaakt via de CPOE (Computerized Provider Order Entry) functionaliteit in athenaClinicals.
Het belang Dit is een kritiek beslissingspunt dat een diagnostisch subproces initieert. Het volgen van deze activiteit is belangrijk voor het analyseren van de 'Diagnostische Test Lead Time' KPI van order tot resultaat. Vindplaats Te vinden in de orders-tabel. Elke order heeft een patiëntidentificatie, ordernaam, orderstatus en een aanmaaktimestamp. Vastleggen Een nieuw record wordt aangemaakt in de orders-tabel van het systeem met een timestamp. Gebeurtenistype explicit
	Medicatie Toegediend	Een medicatie wordt fysiek toegediend aan de patiënt door klinisch personeel. Dit wordt expliciet vastgelegd in de Medicatie Toedieningsregistratie (MAR) module van athenaClinicals, met een precieze timestamp voor elke dosis.
Het belang Deze activiteit vertegenwoordigt een directe behandelingsinterventie. Het analyseren van de timing helpt bij het meten van de 'Tijd tot Eerste Behandeling' en zorgt voor naleving van medicatieschema's. Vindplaats Te vinden in de MAR-datadatabellen. Elk toedieningsevenement heeft een patiënt-ID, medicatie-ID, dosering en een timestamp van toediening. Vastleggen Een record met timestamp wordt aangemaakt in de MAR telkens wanneer een medicatie wordt gedocumenteerd als toegediend. Gebeurtenistype explicit
	Monster afgenomen	Vertegenwoordigt de gebeurtenis waarbij een biologisch monster, zoals bloed of urine, van de patiënt wordt afgenomen voor een labtest. Dit is typisch een expliciete gebeurtenis die wordt gelogd in de labmodule of als een update van de orderstatus.
Het belang Dit is een belangrijke mijlpaal binnen het diagnostische testproces. De tijd tussen bestellen, afnemen en resultaten kan aanzienlijke knelpunten in lab workflows zichtbaar maken. Vindplaats Deze gebeurtenis kan worden gevonden als een statuswijziging op de laborder of als een afzonderlijke gebeurtenis in een laboratoriumInformatiesysteem dat is gekoppeld aan athenahealth. Zoek naar een 'Verzameld' status en timestamp. Vastleggen Gelogd als een update van de laborderstatus of in een speciale module voor monstertracking. Gebeurtenistype explicit
	Patiënt Overgeplaatst	De patiënt wordt verplaatst van de ene zorgafdeling of afdeling naar de andere, bijvoorbeeld van de Spoedeisende Hulp naar een verpleegafdeling. Dit wordt expliciet vastgelegd via een Admission, Discharge, Transfer (ADT) gebeurtenis in het EPD.
Het belang Deze activiteit is belangrijk voor het analyseren van afdelingsoverdrachten en patiëntenstroom binnen een faciliteit. Het helpt knelpunten te vinden in de 'Patiëntenoverdrachtstijd' en bron-allocatie. Vindplaats Vastgelegd in de ADT event log of patiëntvolgtabellen. Elke overdrachts-gebeurtenis omvat de patiënt, van/naar locaties en een timestamp. Vastleggen Een ADT-bericht of event log-item wordt gegenereerd met een timestamp bij patiëntoverdracht. Gebeurtenistype explicit
	Vervolgafspraak Gepland	Een vervolgafspraak wordt gepland voor de patiënt na hun hoofdbehandeling of ontslag. Deze gebeurtenis wordt expliciet vastgelegd wanneer een nieuwe afspraak wordt aangemaakt in de athenaCommunicator planningsmodule.
Het belang Deze activiteit is belangrijk voor het begrijpen van post-ontslag zorgcoördinatie en de impact ervan op uitkomsten zoals heropnamepercentages. Het toont de continuïteit van zorg. Vindplaats Vastgelegd in de afsprakentabel. De gebeurtenis wordt geïdentificeerd door een aanmaak timestamp voor een afspraak die plaatsvindt na de ontslagdatum. Vastleggen Een nieuw afsprakenrecord wordt aangemaakt in het planningssysteem. Gebeurtenistype explicit

Aanbevolen Optioneel

Extractiegidsen

Hoe u je data uit athenahealth haalt

Stappen

Log in op het athenaNet-portaal met uw beveiligde inloggegevens.
Navigeer naar de module Rapporten via het hoofdmenu, meestal te vinden onder 'Rapporten' > 'Rapportbouwer' of 'Aangepaste Rapporten'.
Klik op 'Nieuw Rapport Maken' en selecteer 'Encounters' of 'Patiëntbezoek' als de primaire rapportcategorie. Dit zorgt ervoor dat de gedetailleerde data gericht is op de specifieke patiëntzorgepisode.
Zoek en voeg in het selectiegebied 'Kolommen' of 'Velden' de Patiëntidentificatie (Patiënt ID) en Encounteridentificatie (Encounter ID) toe als uw Case Identifier.
Voeg de demografische en contextkolommen toe die nodig zijn voor attributen, zoals Afdeling, Naam Zorgverlener, Patiëntleeftijd en Primaire Diagnosecode.
Voeg de specifieke timestamp-kolommen toe die overeenkomen met de activiteiten. Mogelijk moet u in verschillende veldgroepen zoeken (bijv. 'Planning' voor Afspraak Gepland, 'Inchecken' voor Inchecktijd, 'Facturering' voor Claim Ingediend). Zorg ervoor dat u 'Datum en Tijd'-formaten selecteert waar beschikbaar, niet alleen Datum.
Pas filters toe op de rapportconfiguratie. Stel het 'Encounterdatum'-bereik in op uw gewenste analysevenster (bijv. Laatste 6 Maanden) en filter 'Geannuleerde' of 'No Show'-afspraken uit om u te richten op voltooide reizen.
Klik op 'Rapport Uitvoeren' om een preview van de data te bekijken. Controleer of de kolommen data bevatten en niet volledig null zijn.
Selecteer de optie 'Exporteren' en kies 'CSV' (Comma Separated Values) als het formaat. Gebruik geen Excel/XLSX-opmaakfuncties, aangezien deze de verwerking compliceren.
Sla het bestand lokaal op als 'athena_raw_export.csv'.
Omdat het rapport één rij per encounter exporteert met meerdere datumkolommen (breed formaat), moet u het omvormen tot een event log (lang formaat). Gebruik het Python-script dat wordt vermeld in de Query-sectie om deze transformatie uit te voeren.
Voer het script uit om het uiteindelijke 'process_mining_gebeurtenis_log.csv' te genereren en upload dit bestand naar ProcessMind.

Configuratie

Rapportcategorie: Kies 'Encounter Activiteit' of 'Clinicals' als basiscategorie om het merendeel van de klinische workflowstappen vast te leggen.
Datumbereik: Beperk de initiële extractie tot 3-6 maanden om rapporttimeouts of rijlimieten te voorkomen (meestal gelimiteerd tot ongeveer 50.000 rijen in standaardweergaven).
Kolomselectie: Zorg ervoor dat expliciete timestamp-velden zijn geselecteerd. Vermijd berekende velden zoals 'Days since check-in' ten gunste van absolute 'Check-in Date/Time'.
Null Handling: Configureer het rapport om lege cellen weer te geven voor ontbrekende data in plaats van aangepaste tekst zoals 'N/A' om de scriptverwerking te vergemakkelijken.
Afdelingsfiltering: Als de organisatie groot is, filter dan op specifieke Service Locations of Departments (bijv. 'Cardiology', 'Orthopedics') om de dataset gefocust te houden.
Machtigingen: De gebruiker heeft 'Report Creator' of 'Clinical Reporting' machtigingen binnen athenaNet nodig om toegang te krijgen tot de Custom Report Builder.

a Voorbeeldquery config

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

# Configuration: Input and Output filenames
INPUT_FILE = 'athena_raw_export.csv'
OUTPUT_FILE = 'patient_journey_event_log.csv'

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

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

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

# Initialize list to hold event rows
event_log_data = []

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

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

# Create DataFrame from the list of events
event_log_df = pd.DataFrame(event_log_data)

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

# Remove rows where timestamp parsing failed
event_log_df = event_log_df.dropna(subset=['EventTimestamp'])

# Sort by Episode and Time
event_log_df = event_log_df.sort_values(by=['PatientEpisodeId', 'EventTimestamp'])

# Output to CSV
event_log_df.to_csv(OUTPUT_FILE, index=False)

print(f"Transformation complete. Processed {len(df)} encounters into {len(event_log_df)} events.")
print(f"File saved to: {OUTPUT_FILE}")

Stappen

API-applicatie Registreren: Log in op het athenahealth Developer Portal en registreer een nieuwe applicatie om uw Client ID en Client Secret te verkrijgen. Zorg ervoor dat de applicatie scopes heeft voor Afspraken, Clinicals (Dossiers), Orders en Billing (Claims).
Python Omgeving Configureren: Installeer de vereiste Python-bibliotheken (requests, pandas) in uw uitvoeringsomgeving met pip install requests pandas.
Authenticeren: Implementeer de OAuth 2.0 Client Credentials grant flow om een access token op te halen. Dit token moet worden opgenomen in de Authorization header (Bearer token) van alle daaropvolgende API-aanroepen.
Scope Definiëren: Stel het Praktijk ID en het datumbereik in voor de extractie. athenahealth API's zijn praktijkspecifiek, dus u moet door praktijk ID's itereren als u meerdere praktijken beheert.
Afspraken Extraheren: Query het /appointments/booked endpoint of /appointments/changed endpoint om basis-encounters op te halen. Map het afspraak ID naar de PatientEpisodeId. Extraheer 'Afspraak Gepland' uit de aanmaakdatum en 'Patiënt Ingeschreven' uit de inchecktijd.
Encounters Itereren voor Klinische Events: Voor elk afspraak ID (encounter), query de klinische sub-endpoints. Roep /chart/{encounterId}/vitals aan voor 'Initiële Beoordeling Voltooid'. Roep /chart/{encounterId}/orders aan voor 'Diagnostische Test Besteld', 'Specimen Afgenomen' (gebaseerd op status) en 'Ontslagopdracht Geschreven'.
Resultaten en Diagnoses Ophalen: Query /chart/{encounterId}/analyteresultaten of /chart/{encounterId}/labresultaten voor 'Testresultaten Ontvangen'. Query /chart/{encounterId}/diagnoses voor 'Diagnose Bevestigd'.
Behandelingen en Procedures Extraheren: Query /chart/{encounterId}/plan voor 'Behandelplan Ontwikkeld'. Query /chart/{encounterId}/procedures voor 'Procedure Uitgevoerd'. Query /chart/{encounterId}/medications/admin voor 'Medicatie Toegediend'.
ADT en Claims Identificeren: Gebruik de afspraakstatusgeschiedenis of specifieke ziekenhuis-endpoints (indien beschikbaar) om 'Patiënt Overgedragen' en 'Patiënt Ontslagen' vast te leggen. Query /claims gerelateerd aan de afspraak om 'Claim Ingediend' te extraheren.
Follow-ups Koppelen: Identificeer 'Vervolgafspraak Gepland' door te zoeken naar daaropvolgende afspraken die voor hetzelfde patiënt ID binnen het encounter-tijdsbestek zijn aangemaakt.
Transformeren en Afvlakken: Parse de geneste JSON-antwoorden naar een platte lijst van gebeurtenis-dictionaries. Converteer alle tijdstempels naar ISO 8601-formaat. Map de velden naar ActiviteitNaam, PatientEpisodeId en EventTimestamp.
Data Exporteren: Laad de lijst met dictionaries in een pandas DataFrame, voer de laatste opschoning uit (null-waarden processen) en exporteer naar een CSV-bestand, klaar voor ProcessMind ingestie.

Configuratie

API Credentials: Verplicht een geldig Client ID en Secret van het athenahealth Developer Portal met productietoegang.
Praktijk ID: De unieke numerieke identificatie voor de medische praktijkcontext. Het script moet per praktijk worden uitgevoerd bij extractie voor een netwerk.
Datumbereik: Aanbevolen extractievenster is 3 tot 6 maanden vanwege het grote volume aan gedetailleerde klinische data.
Rate Limiting: De athenaOne API heeft strikte rate limits (bijv. 5 calls per seconde). Het script bevat een sleep-functie, maar grootschalige extracties moeten exponential backoff implementeren.
Scopes: Zorg ervoor dat het token scopes heeft voor athena/service/Athenanet.MDP.* of specifieke gedetailleerde scopes voor afspraken, dossiers en financiële data.
Paginatie: De meeste endpoints retourneren een beperkt aantal records (standaard 1000). Het script moet de next of offset parameters processen.
Afdelingsfiltering: Bij het analyseren van specifieke flows (bijv. Spoedeisende Hulp versus Poliklinisch), filter op afdelings-ID tijdens de fase van het ophalen van afspraken.

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()

Uw Patiëntenreis datatemplate

Uw Patiëntenreis datatemplate

Patiëntenreis Attributen

Patiëntenreisactiviteiten

Extractiegidsen

athenaNet Rapportbouwer Aangepaste CSV Export

Stappen

Configuratie

a Voorbeeldquery config

athenaOne API Event Extractie met Python

Stappen

Configuratie

a Voorbeeldquery python

Klaar om te starten?

Optimaliseer Nu Uw Patiënttraject, Elimineer Knelpunten

Uw Patiëntenreis datatemplate

Uw Patiëntenreis datatemplate

Patiëntenreis Attributen

Patiëntenreisactiviteiten

Extractiegidsen

athenaNet Rapportbouwer Aangepaste CSV Export

Stappen

Configuratie

a Voorbeeldquery config

athenaOne API Event Extractie met Python

Stappen

Configuratie

a Voorbeeldquery python

Wij hechten veel waarde aan je privacy

Klaar om te starten?

Optimaliseer Nu Uw Patiënttraject, Elimineer Knelpunten