> Ciągłe doskonalenie procesów > Ścieżka pacjenta > athenahealth > Szablon danych

Szablon danych dotyczących ścieżki pacjenta

athenahealth

← Wróć do przewodnika ulepszania procesów

Atrybuty ścieżki pacjenta(19) Działania w ramach ścieżki pacjenta(15) Instrukcje ekstrakcji danych(2)

Szablon danych dotyczących ścieżki pacjenta

Ten szablon zawiera wskazówki dotyczące zbierania danych potrzebnych do analizy ścieżki pacjenta. Opisuje niezbędne atrybuty i działania, które warto śledzić, oraz wyjaśnia, jak wyodrębnić te informacje z athenahealth. Dzięki temu można przygotować dane do skutecznej analizy process mining.

Zalecane atrybuty do zebrania
Najważniejsze działania do śledzenia
Wskazówki dotyczące ekstrakcji danych z athenahealth

Pierwszy raz spotykają się Państwo z dziennikiem zdarzeń? Dowiedz się jak utworzyć dziennik zdarzeń na potrzeby process mining.

Pobierz szablon

Atrybuty ścieżki pacjenta

To zalecane pola danych, które warto uwzględnić w dzienniku zdarzeń. Są niezbędne do rzetelnej analizy i zrozumienia ścieżek pacjentów.

5 Wymagane 9 Zalecane 5 Opcjonalne

	Nazwa	Opis
	Epizod pacjenta PatientEpisodeId	Unikalny identyfikator epizodu lub ścieżki opieki danego pacjenta.
Opis Ten atrybut pełni funkcję głównego identyfikatora case i grupuje wszystkie działania związane z okresem opieki lub schorzeniem danego pacjenta. Łączy różne zdarzenia, takie jak wizyty, zlecenia diagnostyczne i wypisy, w jedną spójną ścieżkę. W analizie ten identyfikator jest podstawowym kluczem process mining, który pozwala odtworzyć przebieg procesu od początku do końca. Dzięki niemu kolejne wizyty tego samego pacjenta związane z różnymi schorzeniami są traktowane jako odrębne instancje procesu. Dlaczego to ważne Niezbędny do określenia zakresu pojedynczej instancji procesu w analizie. Skąd pobrać Wyznaczany przez grupowanie identyfikatorów Encounter lub powiązany z konkretnym identyfikatorem Episode of Care w athenahealth. Przykłady EP-2023-88491EP-2023-99102ENC-55412-GRP
	Nazwa działania ActivityName	Nazwa zdarzenia lub zadania wykonanego w ramach ścieżki opieki nad pacjentem.
Opis Wskazuje konkretny etap procesu, na przykład „Pacjent zarejestrowany”, „Zlecono badanie diagnostyczne” lub „Podano lek”. Ten tekst określa węzły na mapie procesu. Służy do wizualizacji przebiegu procesu i ustalenia kolejności operacji. Ujednolicenie nazw ma zasadnicze znaczenie dla czytelności mapy procesu i uniknięcia niepotrzebnego grupowania działań. Dlaczego to ważne Określa etapy na mapie procesu i jest niezbędny do prowadzenia process mining. Skąd pobrać Dane pochodzą z dzienników audytowych, zmian statusu wizyty lub opisów pozycji roszczenia. Przykłady Umówiono wizytęPacjent zarejestrowanyZlecono badanie diagnostyczneWypisano pacjenta
	Ostatnia aktualizacja danych LastDataUpdate	Znacznik czasu ostatniego wyodrębnienia lub odświeżenia danych.
Opis Informuje, jak aktualne są dane używane w analizie. Dzięki temu użytkownicy wiedzą, czy analizują dane w czasie rzeczywistym, czy historyczną migawkę. Służy do zarządzania potokami danych i zapewnienia, że dashboardy pokazują aktualny stan procesu. Dlaczego to ważne Niezbędny dla nadzoru nad danymi i zaufania użytkowników do aktualności informacji na dashboardzie. Skąd pobrać Czas systemowy w chwili wykonania ETL. Przykłady 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	System źródłowy SourceSystem	Nazwa systemu, z którego pochodzą dane.
Opis Wskazuje system IT, w którym utworzono rekord, w tym przypadku „athenahealth”. Jest to szczególnie przydatne w środowiskach z wieloma systemami, w których dane mogą być łączone. Pozwala analitykom filtrować widok według źródła danych i diagnozować problemy z jakością danych dotyczące konkretnego systemu. Dlaczego to ważne Zapewnia informacje o pochodzeniu danych i kontekst w środowiskach process mining obejmujących wiele systemów. Skąd pobrać Wartość wpisana na stałe lub identyfikator konfiguracji systemu. Przykłady athenahealthAthenaOneAthenaPractice
	Znacznik czasu zdarzenia EventTimestamp	Dokładna data i godzina wykonania działania.
Opis Zapisuje dokładny moment wykonania działania. Pozwala ustalić chronologiczną kolejność zdarzeń i obliczyć czas między etapami. Jest niezbędny do analizy czasu, w tym czasu cyklu, czasu oczekiwania i przepustowości. Wysoka precyzja ułatwia ustalenie kolejności zdarzeń, które wystąpiły tego samego dnia. Dlaczego to ważne Niezbędny do uporządkowania zdarzeń i obliczania wszystkich KPI związanych z czasem. Skąd pobrać Pola znaczników czasu powiązane ze zmianami statusu lub datami utworzenia w tabelach athenahealth. Przykłady 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Czas zakończenia zdarzenia EventEndTime	Godzina zakończenia danego działania.
Opis Zapisuje czas zakończenia działania, co pozwala obliczyć czas jego aktywnego wykonywania, odrębnie od czasu oczekiwania przed rozpoczęciem. Służy do analizy efektywności wykorzystania zasobów i wykrywania zadań, których ręczne wykonanie trwa dłużej, niż zakładano. Dlaczego to ważne Pozwala obliczyć aktywny czas przetwarzania i odróżnić go od biernego czasu oczekiwania. Skąd pobrać Godzina wymeldowania, weryfikacji wyniku lub inne znaczniki czasu zakończenia w athenahealth. Przykłady 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	Grupa wiekowa pacjenta PatientAgeGroup	Przedział wiekowy pacjenta, na przykład 18–25 lub 65+.
Opis Dzieli pacjentów na grupy demograficzne. Jest to niezbędne dla dashboardu „Porównanie ścieżek według grupy wiekowej i rozpoznania”. Pomaga ustalić, czy nieefektywność procesu lub wyniki leczenia w nieproporcjonalnym stopniu dotyczą określonych grup wiekowych, na przykład osób starszych lub dzieci. Dlaczego to ważne Standardowy podział demograficzny stosowany w analizie procesów opieki zdrowotnej. Skąd pobrać Wyznaczany na podstawie daty urodzenia pacjenta i StartTime. Przykłady 18-2930-4965+
	Identyfikator pacjenta PatientId	Unikalny identyfikator pacjenta, zanonimizowany lub zahaszowany.
Opis Jednoznacznie identyfikuje pacjenta objętego daną ścieżką opieki. W odróżnieniu od identyfikatora case, jeden pacjent może mieć wiele epizodów w różnym czasie. Służy do łączenia kolejnych wizyt i analizy wskaźników ponownych przyjęć. Jest niezbędny do obliczania KPI „Odsetek nieplanowanych ponownych przyjęć”. Dlaczego to ważne Niezbędny do śledzenia ponownych przyjęć i historii pacjenta w różnych epizodach. Skąd pobrać Pole „patientid” w athenahealth. Przykłady PAT-100234PAT-559201PAT-992210
	Imię i nazwisko świadczeniodawcy ProviderName	Imię i nazwisko pracownika ochrony zdrowia wykonującego działanie.
Opis Wskazuje lekarza, pielęgniarkę lub technika odpowiedzialnego za zdarzenie. Atrybut ten ma zasadnicze znaczenie dla analizy wykorzystania zasobów. Pozwala porównywać wskaźniki, takie jak przepustowość i czas cyklu, dla różnych członków personelu, aby wykryć potrzeby szkoleniowe lub nierównomierne obciążenie pracą. Dlaczego to ważne Niezbędny do analizy „Wskaźnika wykorzystania zasobów” i przekazywania spraw między pracownikami. Skąd pobrać Pole „providerid” w athenahealth powiązane z nazwą z katalogu świadczeniodawców. Przykłady Dr SmithPielęgniarka JonesTechnik Adams
	Kod rozpoznania głównego PrimaryDiagnosisCode	Główny kod ICD-10 przypisany do epizodu.
Opis Określa kliniczną przyczynę ścieżki opieki nad pacjentem. Zapewnia kontekst potrzebny do „Porównania ścieżek według grupy wiekowej i rozpoznania”. Analitycy dzielą na tej podstawie ścieżki według schorzenia, na przykład zapalenia płuc lub złamania, ponieważ różne schorzenia wiążą się z odmiennymi oczekiwanymi przebiegami i czasami cyklu. Dlaczego to ważne Umożliwia porównywanie podobnych przypadków. Czas cyklu może znacznie różnić się w zależności od rozpoznania. Skąd pobrać Pola rozpoznania w Encounter lub Claim (ICD-10). Przykłady J18.9I10E11.9
	Miejsce wypisu DischargeDisposition	Miejsce docelowe lub status pacjenta po wypisie.
Opis Wskazuje, dokąd trafił pacjent po zakończeniu epizodu, na przykład do domu, zakładu opiekuńczo-leczniczego lub hospicjum. Informacja ta jest niezbędna do analizy „Planowania wypisów i trendów ponownych przyjęć”. Pozwala ocenić złożoność planowania wypisu i skuteczność przekazywania pacjenta do dalszej opieki. Dlaczego to ważne Ważny kontekst przy planowaniu wypisu i ocenie ryzyka ponownego przyjęcia. Skąd pobrać Pola wizyty w athenahealth lub szpitalne rejestry wypisów. Przykłady DomZakład opiekuńczo-leczniczyPrzeniesiono do szpitala opieki krótkoterminowejZgon
	Nazwa oddziału DepartmentName	Oddział szpitala lub kliniki, w którym wykonano działanie.
Opis Dzieli dane procesu według jednostki organizacyjnej, takiej jak oddział ratunkowy, kardiologia lub radiologia. Jest niezbędny dla dashboardu „Przepustowość oddziałów i przekazywanie pacjentów”. Analiza tego atrybutu wskazuje wąskie gardła w poszczególnych obszarach i pomaga usprawnić przepływ pacjentów między oddziałami. Dlaczego to ważne Niezbędny do wykrywania wąskich gardeł w organizacji i nieefektywnego przekazywania pacjentów. Skąd pobrać Pole „departmentid” w athenahealth powiązane z nazwą oddziału. Przykłady Oddział ratunkowyMedycyna wewnętrznaRadiologia
	Ponowne przyjęcie IsReadmission	Flaga wskazująca, czy epizod oznacza nieplanowany powrót pacjenta.
Opis Wartość logiczna wskazująca, czy pacjent wrócił do szpitala w określonym czasie, na przykład w ciągu 30 dni od poprzedniego wypisu. Bezpośrednio wspiera obliczanie KPI „Odsetek nieplanowanych ponownych przyjęć”. Filtrowanie według tego atrybutu pozwala analitykom przyjrzeć się przyczynom ponownych przyjęć i wykryć wzorce w przebiegu wcześniejszego leczenia. Dlaczego to ważne Bezpośrednio wspiera KPI dotyczący wskaźnika ponownych przyjęć. Skąd pobrać Obliczany podczas ETL przez porównanie daty przyjęcia z datą poprzedniego wypisu. Przykłady truefalse
	Rodzaj wizyty EncounterType	Klasyfikacja wizyty, na przykład wizyta w gabinecie, teleporada lub wizyta na oddziale ratunkowym.
Opis Określa formę lub miejsce udzielania świadczenia. W ogólnych modelach danych pełni funkcję „typu case”. Różne rodzaje wizyt mają odmienne oczekiwane przebiegi i wymagania dotyczące rozliczeń. Filtrowanie według tego atrybutu jest niezbędne, aby w analizie czasu cyklu porównywać podobne przypadki. Dlaczego to ważne Pozwala odróżnić warianty procesu, takie jak teleporada i wizyta osobista. Skąd pobrać Pole „encountertype” w athenahealth. Przykłady Wizyta w gabinecieTeleporadaWizyta na oddziale ratunkowymOperacja
	Łączna kwota opłat TotalChargeAmount	Kwota naliczona za działanie lub epizod.
Opis Wartość finansowa przypisana do działania lub łączna kwota roszczenia. Umożliwia analizę procesu pod kątem kosztów i wpływu finansowego. Służy do wykrywania kosztownych wariantów ścieżek leczenia i badania zależności między efektywnością procesu a wynikami finansowymi. Dlaczego to ważne Dodaje wymiar finansowy do analizy procesu. Skąd pobrać Pole „amount” lub „totalcharge” w tabelach roszczeń lub opłat athenahealth. Przykłady 150.002500.5045.00
	Powtórzenie działania IsRework	Flaga wskazująca, czy działanie zostało powtórzone.
Opis Wartość logiczna przyjmująca wartość prawda, jeśli działanie wystąpiło więcej niż raz w ramach tego samego case. Atrybut wspiera dashboard „Częstotliwość działań i pętle poprawek”. Pozwala szybko wyodrębnić przypadki wymagające poprawek i obliczyć KPI „Częstotliwość działań wymagających poprawek”. Dlaczego to ważne Pomaga wykrywać nieefektywne procesy i zbędne etapy. Skąd pobrać Obliczany podczas ETL na podstawie liczby wystąpień działania dla danego CaseId. Przykłady truefalse
	Rodzaj zlecenia OrderType	Kategoria zlecenia, na przykład badanie laboratoryjne, obrazowe lub recepta.
Opis Klasyfikuje zlecenia kliniczne wystawione w trakcie epizodu. Jest niezbędny dla dashboardu „Czas realizacji badań diagnostycznych”. Pozwala analitykom mierzyć czas realizacji osobno dla badań laboratoryjnych i obrazowych, które często mają różne umowy SLA i wąskie gardła. Dlaczego to ważne Dzieli proces diagnostyczny, aby umożliwić analizę czasu realizacji poszczególnych badań. Skąd pobrać Pole „ordertype” lub „class” w API zleceń athenahealth. Przykłady Badanie laboratoryjneBadanie obrazoweReceptaZabieg
	Status roszczenia ClaimStatus	Status roszczenia finansowego związanego z udzielonym świadczeniem.
Opis Wskazuje etap rozliczania roszczenia, na przykład „Wysłane”, „Odrzucone” lub „Opłacone”. Ma znaczenie dla działania „Wysłano roszczenie” i analizy przepustowości finansowej. Pomaga ustalić, czy problemy z dokumentacją kliniczną powodują opóźnienia w rozliczeniach. Dlaczego to ważne Łączy efektywność kliniczną z wynikami cyklu przychodów. Skąd pobrać Pole „claimstatus” w athenahealth. Przykłady ROZLICZONEWSTRZYMANEUTWORZONE
	Status wyniku diagnostycznego DiagnosticResultStatus	Status wyniku zlecenia diagnostycznego, na przykład dodatni lub prawidłowy.
Opis Zapisuje ogólny wynik badania. Zapewnia kontekst do analizy „Czasu realizacji badań diagnostycznych” i kolejnych decyzji dotyczących leczenia. Pozwala sprawdzić, czy nieprawidłowe wyniki prowadzą do szybszych dalszych działań niż wyniki prawidłowe. Dlaczego to ważne Łączy przebieg procesu z wynikami klinicznymi. Skąd pobrać Pola obserwacji wyników badań laboratoryjnych w athenahealth. Przykłady PrawidłowyNieprawidłowyKrytyczny

Wymagane Zalecane Opcjonalne

Działania w ramach ścieżki pacjenta

To ważne kroki procesu i punkty kontrolne, które warto rejestrować w dzienniku zdarzeń, aby prawidłowo odtworzyć i usprawnić doświadczenie pacjenta.

7 Zalecane 8 Opcjonalne

	Działanie	Opis
	Otrzymano wyniki badania	Wyniki badania diagnostycznego są zatwierdzane i udostępniane w dokumentacji pacjenta. Zwykle zdarzenie jest rejestrowane, gdy system laboratoryjny lub obrazowy przesyła wyniki do athenahealth, gdzie powstaje wpis ze znacznikiem czasu.
Dlaczego to ważne Otrzymanie wyników jest ważnym sygnałem do podjęcia kolejnych decyzji klinicznych, takich jak postawienie diagnozy i zaplanowanie leczenia. To zdarzenie wyznacza koniec czasu realizacji diagnostyki. Skąd pobrać Zdarzenie znajduje się w tabeli wyników lub diagnostyki i jest powiązane z pierwotnym zleceniem. Oznacza je znacznik czasu zapisania lub otrzymania wyniku w dokumentacji pacjenta. Rejestrowanie Tworzony jest nowy rekord wyniku ze znacznikiem czasu, często przesyłany przez interfejs LIS lub RIS. Typ zdarzenia explicit
	Pacjent zarejestrowany	To działanie oznacza przybycie pacjenta i jego formalną rejestrację na umówioną wizytę lub przyjęcie. Zwykle jest rejestrowane jako jawna zmiana statusu wizyty w athenaClinicals lub athenaCommunicator.
Dlaczego to ważne To oficjalny początek pobytu pacjenta w placówce. Stanowi ważny punkt odniesienia przy pomiarze czasu oczekiwania i całkowitego czasu cyklu wizyty klinicznej. Skąd pobrać Zdarzenie jest rejestrowane jako zmiana statusu w tabeli wizyt lub przyjęć. Należy szukać statusu „Checked-In” i odpowiadającego mu znacznika czasu. Rejestrowanie Zmiana statusu wizyty lub przyjęcia jest zapisywana wraz ze znacznikiem czasu. Typ zdarzenia explicit
	Potwierdzono diagnozę	Lekarz oficjalnie przypisuje lub potwierdza diagnozę dotyczącą aktualnego przyjęcia pacjenta. Zdarzenie można ustalić na podstawie znacznika czasu utworzenia lub ostatniej aktualizacji głównego kodu diagnozy, na przykład ICD-10, powiązanego z przyjęciem.
Dlaczego to ważne To ważny etap, który wyznacza dalszą ścieżkę leczenia. Analiza różnic w działaniach podejmowanych po tym momencie pomaga zrozumieć i ujednolicić procedury opieki. Skąd pobrać Zdarzenie ustala się na podstawie listy problemów pacjenta lub danych o diagnozie przypisanej do przyjęcia. Zmiana lub zatwierdzenie kodu diagnozy wraz ze znacznikiem czasu oznacza wystąpienie tego zdarzenia. Rejestrowanie Należy wykryć znacznik czasu dodania lub aktualizacji głównej diagnozy przypisanej do przyjęcia. Typ zdarzenia inferred
	Wykonano zabieg	Pacjentowi wykonano zabieg kliniczny, na przykład operację lub specjalistyczną terapię. Jest to jawne zdarzenie zapisane w dokumentacji klinicznej, często z podanym czasem rozpoczęcia i zakończenia w notatce dotyczącej zabiegu.
Dlaczego to ważne Zabiegi są ważnymi etapami leczenia pacjenta. Analiza działań przed zabiegiem i po nim pomaga usprawnić workflow przedoperacyjny i pooperacyjny. Skąd pobrać Zdarzenie znajduje się w notatkach dotyczących zabiegu lub określonych arkuszach obserwacji klinicznych w athenaClinicals. Jego znacznik czasu ustala się na podstawie udokumentowanej godziny rozpoczęcia lub zakończenia zabiegu. Rejestrowanie Tworzona jest notatka lub rejestr zabiegu zawierający znacznik czasu jego wykonania. Typ zdarzenia explicit
	Wypisano pacjenta	Pacjent został oficjalnie wypisany, a jego pobyt w placówce dobiegł końca. Jest to ostatnie zdarzenie ADT w przypadku hospitalizacji, rejestrowane z dokładnym znacznikiem czasu.
Dlaczego to ważne To zdarzenie oznacza koniec głównej ścieżki pacjenta. Wyznacza koniec czasu cyklu ścieżki pacjenta i jest niezbędne do analizy ponownych przyjęć. Skąd pobrać Jest to jawne zdarzenie w systemie ADT lub tabeli przyjęć pacjentów. Oznacza końcowy status przyjęcia „Discharged” i zawiera znacznik czasu. Rejestrowanie Status przyjęcia pacjenta zostaje zmieniony na „Discharged” i rejestrowane jest zdarzenie ADT. Typ zdarzenia explicit
	Wystawiono zlecenie wypisu	Lekarz lub upoważniony pracownik medyczny wystawia oficjalne zlecenie wypisu pacjenta. Jest to jawne zdarzenie ze znacznikiem czasu, utworzone w module CPOE systemu EHR.
Dlaczego to ważne To działanie rozpoczyna proces wypisu. Czas od wystawienia zlecenia do faktycznego wypisu jest ważnym wskaźnikiem efektywności planowania wypisu. Skąd pobrać Zdarzenie znajduje się w tabeli zleceń. Można je rozpoznać po typie zlecenia „Discharge” i znaczniku czasu utworzenia. Rejestrowanie W tabeli zleceń tworzony jest nowy rekord typu „Discharge”. Typ zdarzenia explicit
	Zakończono wstępną ocenę stanu pacjenta	Oznacza zakończenie pierwszej oceny klinicznej, na przykład triażu lub oceny pielęgniarskiej, podczas której rejestruje się parametry życiowe i główne dolegliwości. Zdarzenie często ustala się na podstawie znacznika czasu pierwszej podpisanej notatki klinicznej lub wypełnionego formularza oceny dotyczącego przyjęcia.
Dlaczego to ważne Ten etap oznacza rozpoczęcie opieki klinicznej. Czas od rejestracji do tego działania jest ważnym miernikiem początkowego czasu oczekiwania pacjenta i szybkości reakcji personelu. Skąd pobrać Zdarzenie ustala się na podstawie znacznika czasu utworzenia lub podpisania dokumentów klinicznych albo arkuszy obserwacji w athenaClinicals. Wymaga to wskazania typów dokumentów używanych przy triażu lub przyjęciu. Rejestrowanie Należy znaleźć pierwszy znacznik czasu w notatce klinicznej, arkuszu parametrów życiowych lub określonym formularzu przyjęcia pacjenta. Typ zdarzenia inferred
	Opracowano plan leczenia	Oznacza formalne opracowanie i udokumentowanie przez lekarza planu leczenia pacjenta. Zdarzenie można zarejestrować jako utworzenie lub podpisanie dokumentu „Plan opieki” albo zestawu powiązanych zleceń dotyczących leczenia.
Dlaczego to ważne To działanie formalizuje planowaną ścieżkę kliniczną. Jest ważnym punktem odniesienia przy ocenie zgodności ze standardowymi procedurami i analizie różnic w przebiegu opieki. Skąd pobrać Zdarzenie prawdopodobnie znajduje się w tabelach dokumentów klinicznych lub zleceń. Odpowiada znacznikowi czasu podpisania notatki z planem opieki lub przesłania zestawu skoordynowanych zleceń dotyczących leczenia. Rejestrowanie Zdarzenie oznacza utworzenie lub zatwierdzenie dokumentu planu leczenia albo zestawu zleceń, co potwierdza znacznik czasu. Typ zdarzenia explicit
	Pobrano próbkę	Zdarzenie oznacza pobranie od pacjenta materiału biologicznego, na przykład krwi lub moczu, do badania laboratoryjnego. Zwykle jest jawnie rejestrowane w module laboratoryjnym lub jako zmiana statusu zlecenia.
Dlaczego to ważne To ważny etap procesu diagnostycznego. Czas od zlecenia badania przez pobranie próbki do uzyskania wyniku może ujawnić poważne wąskie gardła w workflow laboratorium. Skąd pobrać Zdarzenie może być zapisane jako zmiana statusu zlecenia laboratoryjnego lub osobne zdarzenie w systemie laboratoryjnym połączonym z athenahealth. Należy szukać statusu „Collected” i znacznika czasu. Rejestrowanie Zdarzenie jest rejestrowane jako zmiana statusu zlecenia laboratoryjnego lub w osobnym module śledzenia próbek. Typ zdarzenia explicit
	Podano lek	Personel medyczny podaje pacjentowi lek. Każda dawka jest jawnie rejestrowana w module Medication Administration Record (MAR) w athenaClinicals wraz z dokładnym znacznikiem czasu.
Dlaczego to ważne To działanie oznacza bezpośrednią interwencję leczniczą. Analiza czasu jego wykonania pomaga mierzyć „czas do pierwszego leczenia” i sprawdzać, czy leki są podawane zgodnie z harmonogramem. Skąd pobrać Zdarzenie znajduje się w tabelach danych MAR. Każdy wpis o podaniu leku zawiera identyfikator pacjenta, identyfikator leku, dawkę i znacznik czasu podania. Rejestrowanie Za każdym razem, gdy podanie leku zostaje odnotowane, w MAR tworzony jest wpis ze znacznikiem czasu. Typ zdarzenia explicit
	Przeniesiono pacjenta	Pacjent zostaje przeniesiony z jednego oddziału lub jednostki opieki do innej, na przykład z oddziału ratunkowego na oddział szpitalny. Zdarzenie jest jawnie rejestrowane w systemie EHR jako przyjęcie, wypis lub przeniesienie (ADT).
Dlaczego to ważne To działanie ma zasadnicze znaczenie przy analizie przekazywania pacjentów między oddziałami i ich przepływu w placówce. Pomaga wykryć wąskie gardła w czasie przekazania pacjenta i przydziale zasobów. Skąd pobrać Zdarzenie jest rejestrowane w dzienniku zdarzeń ADT lub tabelach śledzenia pacjentów. Każdy wpis o przeniesieniu zawiera dane pacjenta, lokalizację początkową i docelową oraz znacznik czasu. Rejestrowanie Po przeniesieniu pacjenta generowana jest wiadomość ADT lub wpis w dzienniku zdarzeń ze znacznikiem czasu. Typ zdarzenia explicit
	Przesłano roszczenie	Roszczenie dotyczące usług udzielonych podczas przyjęcia pacjenta jest przygotowywane i przesyłane do płatnika. Jest to jawne zdarzenie w module zarządzania cyklem przychodów athenaCollector.
Dlaczego to ważne Choć jest to etap administracyjny, jego analiza ma duże znaczenie dla badania cyklu przychodów, który przebiega równolegle do ścieżki opieki klinicznej. Pozwala wykryć opóźnienia między udzieleniem świadczenia a rozliczeniem. Skąd pobrać Dane można znaleźć w tabelach roszczeń lub rozliczeń. Zdarzenie oznacza znacznik czasu utworzenia lub wysłania roszczenia. Rejestrowanie Tworzony jest rekord roszczenia, a jego status zmienia się na „Wysłane” z przypisanym znacznikiem czasu. Typ zdarzenia explicit
	Umówiono wizytę	Zdarzenie oznacza umówienie wizyty pacjenta. Jest rejestrowane, gdy użytkownik tworzy i potwierdza nową wizytę w module athenaCommunicator do planowania wizyt w athenahealth.
Dlaczego to ważne To działanie rozpoczyna wiele ścieżek pacjentów. Analiza czasu od umówienia wizyty do rejestracji pozwala ocenić dostępność opieki i sprawność przygotowań do wizyty. Skąd pobrać Jest to jawne zdarzenie zapisane w tabelach wizyt lub harmonogramu. Zwykle zawiera znacznik czasu utworzenia i identyfikator pacjenta. Rejestrowanie Zdarzenie jest rejestrowane po utworzeniu wizyty w module planowania. Typ zdarzenia explicit
	Umówiono wizytę kontrolną	Po zakończeniu głównego etapu leczenia lub wypisie pacjentowi umawia się wizytę kontrolną. Zdarzenie jest jawnie rejestrowane, gdy w module planowania wizyt athenaCommunicator zostaje utworzona nowa wizyta.
Dlaczego to ważne To działanie pomaga ocenić koordynację opieki po wypisie i jej wpływ na wyniki, takie jak liczba ponownych przyjęć. Pokazuje, czy zachowana jest ciągłość opieki. Skąd pobrać Zdarzenie jest rejestrowane w tabeli wizyt. Można je rozpoznać po znaczniku czasu utworzenia wizyty przypadającej po dacie wypisu. Rejestrowanie W systemie planowania zostaje utworzony nowy rekord wizyty. Typ zdarzenia explicit
	Zlecono badanie diagnostyczne	Lekarz zleca badanie diagnostyczne, na przykład badanie laboratoryjne, obrazowe lub inny zabieg. Jest to jawne zdarzenie ze znacznikiem czasu, utworzone za pomocą funkcji CPOE (Computerized Provider Order Entry) w athenaClinicals.
Dlaczego to ważne To ważny punkt decyzyjny, który rozpoczyna podproces diagnostyczny. Śledzenie tego działania jest niezbędne do analizy KPI „czasu realizacji badania diagnostycznego”, od zlecenia do uzyskania wyniku. Skąd pobrać Zdarzenie znajduje się w tabeli zleceń. Każde zlecenie zawiera identyfikator pacjenta, nazwę i status zlecenia oraz znacznik czasu utworzenia. Rejestrowanie W tabeli zleceń systemu tworzony jest nowy rekord ze znacznikiem czasu. Typ zdarzenia explicit

Zalecane Opcjonalne

Instrukcje ekstrakcji danych

Jak pobrać dane z athenahealth

Kroki

Zaloguj się do portalu athenaNet, używając bezpiecznych danych logowania.
Otwórz moduł Reports z menu głównego. Zwykle znajduje się w sekcji „Reports” > „Report Builder” lub „Custom Reports”.
Kliknij „Create New Report” i wybierz „Encounters” lub „Patient Visit” jako główną kategorię raportu. Dzięki temu szczegółowe dane będą dotyczyć konkretnego epizodu opieki nad pacjentem.
W sekcji wyboru „Columns” lub „Fields” znajdź i dodaj Patient Identifier (Patient ID) oraz Encounter Identifier (Encounter ID), które posłużą jako identyfikator sprawy.
Dodaj kolumny demograficzne i kontekstowe potrzebne jako atrybuty, na przykład Department, Provider Name, Patient Age i Primary Diagnosis Code.
Dodaj kolumny ze znacznikami czasu odpowiadającymi poszczególnym działaniom. Mogą znajdować się w różnych grupach pól, na przykład „Scheduling” dla zaplanowania wizyty, „Check-in” dla czasu rejestracji i „Billing” dla wysłania roszczenia. Jeśli to możliwe, wybieraj format „Date and Time”, a nie samą datę.
Ustaw filtry raportu. Określ zakres „Encounter Date” dla analizowanego okresu, na przykład ostatnich 6 miesięcy, i wyklucz wizyty „Cancelled” lub „No Show”, aby uwzględnić tylko zakończone ścieżki.
Kliknij „Run Report”, aby wyświetlić podgląd danych. Sprawdź, czy kolumny zawierają dane i nie są całkowicie puste.
Wybierz opcję „Export” i format „CSV” (Comma Separated Values). Nie używaj formatowania Excel/XLSX, ponieważ utrudnia dalsze przetwarzanie.
Zapisz plik lokalnie pod nazwą „athena_raw_export.csv”.
Raport eksportuje jeden wiersz na wizytę i wiele kolumn z datami, czyli dane w układzie szerokim. Należy przekształcić je do postaci dziennika zdarzeń, czyli układu długiego. Użyj skryptu Python podanego w sekcji Query.
Uruchom skrypt, aby wygenerować plik „process_mining_event_log.csv”, a następnie prześlij go do ProcessMind.

Konfiguracja

Kategoria raportu: Wybierz „Encounter Activity” lub „Clinicals” jako kategorię bazową, aby uwzględnić większość klinicznych kroków workflow.
Zakres dat: Ogranicz początkową ekstrakcję do 3–6 miesięcy, aby uniknąć przekroczenia limitu czasu raportu lub limitu wierszy, który w standardowych widokach wynosi zwykle około 50 000.
Wybór kolumn: Pamiętaj o zaznaczeniu jawnych pól ze znacznikami czasu. Zamiast pól obliczanych, takich jak „Days since check-in”, wybierz bezwzględną datę i godzinę, na przykład „Check-in Date/Time”.
Obsługa pustych wartości: Skonfiguruj raport tak, aby brakujące dane były oznaczane pustymi komórkami, a nie tekstem, takim jak „N/A”. Ułatwi to przetwarzanie skryptem.
Filtrowanie według oddziału: Jeśli organizacja jest duża, filtruj dane według lokalizacji świadczenia lub oddziału, na przykład „Cardiology” lub „Orthopedics”, aby ograniczyć zakres danych.
Uprawnienia: Do korzystania z narzędzia Custom Report Builder w athenaNet potrzebne są uprawnienia „Report Creator” lub „Clinical Reporting”.

Przykładowe zapytanie 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}")

Kroki

Rejestracja aplikacji API: Zaloguj się do portalu dla deweloperów athenahealth i zarejestruj nową aplikację, aby uzyskać Client ID i Client Secret. Przyznaj aplikacji zakresy dostępu do Appointments, Clinicals (Charts), Orders i Billing (Claims).
Konfiguracja środowiska Python: Zainstaluj wymagane biblioteki Python (requests, pandas) w środowisku uruchomieniowym za pomocą polecenia pip install requests pandas.
Uwierzytelnianie: Zaimplementuj przepływ OAuth 2.0 Client Credentials, aby pobrać token dostępu. Token należy dołączać do nagłówka Authorization (Bearer token) we wszystkich kolejnych wywołaniach API.
Określenie zakresu: Ustaw Practice ID i zakres dat ekstrakcji. API athenahealth działa w kontekście konkretnej placówki, dlatego w przypadku zarządzania wieloma placówkami trzeba iterować po ich identyfikatorach.
Pobranie wizyt: Wywołaj endpoint /appointments/booked lub /appointments/changed, aby pobrać podstawowe dane o wizytach. Przypisz appointment ID do PatientEpisodeId. Na podstawie daty utworzenia wyodrębnij zdarzenie „Wizyta zaplanowana”, a na podstawie czasu rejestracji zdarzenie „Pacjent zarejestrowany”.
Pobranie zdarzeń klinicznych dla wizyt: Dla każdego appointment ID (encounter) wywołaj odpowiednie endpointy kliniczne. Wywołaj /chart/{encounterId}/vitals dla zdarzenia „Zakończono wstępną ocenę”. Wywołaj /chart/{encounterId}/orders dla zdarzeń „Zlecono badanie diagnostyczne”, „Pobrano próbkę” (na podstawie statusu) i „Wystawiono zlecenie wypisu”.
Pobranie wyników i rozpoznań: Wywołaj /chart/{encounterId}/analyteresults lub /chart/{encounterId}/labresults dla zdarzenia „Otrzymano wyniki badań”. Wywołaj /chart/{encounterId}/diagnoses dla zdarzenia „Potwierdzono rozpoznanie”.
Pobranie informacji o leczeniu i procedurach: Wywołaj /chart/{encounterId}/plan dla zdarzenia „Opracowano plan leczenia”. Wywołaj /chart/{encounterId}/procedures dla zdarzenia „Wykonano procedurę”. Wywołaj /chart/{encounterId}/medications/admin dla zdarzenia „Podano lek”.
Identyfikacja zdarzeń ADT i roszczeń: Użyj historii statusu wizyty lub odpowiednich endpointów szpitalnych, jeśli są dostępne, aby zarejestrować zdarzenia „Przeniesiono pacjenta” i „Wypisano pacjenta”. Wywołaj /claims powiązane z wizytą, aby pobrać zdarzenie „Wysłano roszczenie”.
Powiązanie wizyt kontrolnych: Wyszukaj kolejne wizyty utworzone dla tego samego pacjenta w okresie obejmującym epizod opieki, aby zidentyfikować zdarzenie „Zaplanowano wizytę kontrolną”.
Przekształcenie i spłaszczenie danych: Przekształć zagnieżdżone odpowiedzi JSON w płaską listę słowników zdarzeń. Zapisz wszystkie znaczniki czasu w formacie ISO 8601. Przypisz wartości do pól ActivityName, PatientEpisodeId i EventTimestamp.
Eksport danych: Wczytaj listę słowników do obiektu pandas DataFrame, oczyść dane, w tym obsłuż puste wartości, i wyeksportuj je do pliku CSV gotowego do zaimportowania do ProcessMind.

Konfiguracja

Dane uwierzytelniające API: Wymagane są prawidłowe Client ID i Client Secret z portalu dla deweloperów athenahealth oraz dostęp do środowiska produkcyjnego.
Practice ID: Unikalny identyfikator placówki medycznej. Jeśli dane są pobierane dla całej sieci, skrypt należy uruchomić osobno dla każdej placówki.
Zakres dat: Ze względu na dużą ilość szczegółowych danych klinicznych zalecany okres ekstrakcji wynosi od 3 do 6 miesięcy.
Limity zapytań: API athenaOne ma ścisłe limity, na przykład 5 wywołań na sekundę. Skrypt zawiera funkcję wstrzymującą jego działanie, ale przy ekstrakcji danych na dużą skalę warto zastosować wykładnicze zwiększanie czasu oczekiwania.
Zakresy dostępu: Upewnij się, że token obejmuje zakresy athena/service/Athenanet.MDP.* lub szczegółowe zakresy dotyczące wizyt, kart pacjentów i danych finansowych.
Paginacja: Większość endpointów zwraca ograniczoną liczbę rekordów, domyślnie 1000. Skrypt musi obsługiwać parametry next lub offset.
Filtrowanie według oddziału: Jeśli analizowane są konkretne ścieżki, na przykład w ramach oddziału ratunkowego lub opieki ambulatoryjnej, filtruj dane według identyfikatora oddziału podczas pobierania wizyt.

Przykładowe zapytanie 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()

Gotowi do rozpoczęcia?

Zacznijcie usprawniać opiekę nad pacjentami. Ten szablon to pierwszy krok do uzyskania przydatnych informacji i poprawy wyników leczenia.

Wróć do przewodnika ulepszania procesów

Pobierz szablon

Usprawnij ścieżkę pacjenta i usuń wąskie gardła

Wskaż nieefektywne działania w athenahealth i skróć czas realizacji ścieżki pacjenta o 30%.

Rozpocznij okres próbny

Nie trzeba podawać danych karty płatniczej. Zacznij optymalizować już dziś.

Szablon danych dotyczących ścieżki pacjenta

Szablon danych dotyczących ścieżki pacjenta

Atrybuty ścieżki pacjenta

Działania w ramach ścieżki pacjenta

Instrukcje ekstrakcji danych

Niestandardowy eksport CSV z narzędzia athenaNet Report Builder

Kroki

Konfiguracja

Przykładowe zapytanie python

Ekstrakcja zdarzeń z API athenaOne za pomocą Python

Kroki

Konfiguracja

Przykładowe zapytanie python

Gotowi do rozpoczęcia?

Usprawnij ścieżkę pacjenta i usuń wąskie gardła