> Melhoria contínua de processos > Jornada do paciente > Veradigm (Allscripts) > Template de dados

Seu Template de dados da jornada do paciente

Veradigm (Allscripts)

Atributos da jornada do paciente (19) Atividades da jornada do paciente (13) Guias de extração (2)

Seu Template de dados da jornada do paciente

Este Template oferece uma estrutura para coletar os dados necessários à análise do processo da jornada do paciente. Ele apresenta os atributos e as atividades essenciais que você deve acompanhar, além de orientações práticas para extrair essas informações do sistema de origem. Use este material para preparar seus dados para uma análise abrangente de Process Mining.

Atributos recomendados para uma análise abrangente
Atividades principais para acompanhar e descobrir o processo com precisão
Orientações práticas para extrair dados do seu sistema

Novidade em Event Logs? Saiba como criar um Event Log para Process Mining.

Baixar Template

Atributos da jornada do paciente

Estes são os campos de dados recomendados para incluir no Event Log e analisar de forma abrangente o processo da jornada do paciente.

3 Obrigatório 8 Recomendado 8 Opcional

	Nome	Descrição
	Data e hora do evento EventDateTime	A data e a hora exatas em que a atividade ocorreu.
Descrição Registra o momento cronológico da atividade. Esse dado é essencial para calcular tempos de ciclo e durações, além de ordenar corretamente a sequência de eventos. Em dados de saúde, a precisão até o minuto é fundamental para analisar o fluxo de pacientes com exatidão. Por que isso importa Permite calcular todos os KPIs baseados em tempo, incluindo o tempo médio de ciclo da jornada do paciente e os tempos de espera. Onde encontrar Datas e horas das transações nas tabelas de origem (por exemplo, ADT_DATE, ORDER_DATE, RESULT_DATE). Exemplos 2023-10-12T08:30:00Z2023-10-12T14:45:22Z2023-10-15T09:00:00Z
	Episódio do paciente PatientEpisodeId	Identificador exclusivo da consulta ou do atendimento específico do paciente.
Descrição O episódio do paciente é o principal identificador do caso. Ele reúne todos os eventos relacionados a uma jornada específica de atendimento, para determinada condição ou período de cuidados. Assim, é possível ter uma visão integrada das fases de diagnóstico, tratamento e recuperação, conectando as interações com diferentes setores. Nos sistemas Veradigm (Allscripts), como Sunrise ou Paragon, esse identificador geralmente corresponde ao ID da consulta ou ao número do atendimento. Por que isso importa É a chave fundamental para Process Mining, pois permite reconstruir a jornada completa do paciente. Onde encontrar Provavelmente está no cabeçalho das tabelas de consulta ou atendimento (por exemplo, VISIT_ID, ENCOUNTER_ID). Consulte a documentação do Veradigm (Allscripts). Exemplos EP-2023-998877VIS-10029384100029384ENC-554433
	Nome da atividade ActivityName	O evento clínico ou administrativo específico realizado.
Descrição Descreve a etapa realizada no processo, como “Paciente registrado”, “Medicamento administrado” ou “Planejamento da alta iniciado”. Esse atributo diferencia as etapas da jornada do paciente e é essencial para descobrir processos e analisar variantes. Por que isso importa Define os nós do mapa de processos. Sem ele, não é possível visualizar o fluxo do processo. Onde encontrar Obtido de várias tabelas transacionais: eventos ADT, solicitações, resultados e tabelas de documentação clínica. Exemplos Paciente registradoExame diagnóstico solicitadoMedicamento administradoPaciente recebeu alta
	Código do diagnóstico principal PrimaryDiagnosisCode	Código ICD-10 ou SNOMED que representa a condição principal.
Descrição Motivo codificado da consulta do paciente. Esse atributo é usado como filtro no explorador de variações das linhas de tratamento. Ele permite que analistas comparem como diferentes condições, como pneumonia e insuficiência cardíaca, percorrem o sistema. Por que isso importa Necessário para segmentar os processos por condição clínica e verificar a adesão aos protocolos. Onde encontrar Tabelas de diagnóstico ou da lista de problemas (geralmente com colunas ICD-10). Consulte a documentação do Veradigm (Allscripts). Exemplos I50.9J18.9E11.9
	Data da alta DischargeDate	A data e a hora em que o paciente recebeu alta.
Descrição O timestamp que marca o fim do episódio. Ele é usado para encerrar o caso na mineração de processos e é essencial para calcular o ALOS e as readmissões. Por que isso importa Define o fim do ciclo do processo e é fundamental para analisar o volume de atendimentos. Onde encontrar Tabela de cabeçalho de visita/atendimento (por exemplo, DISCH_DATE). Consulte a documentação da Veradigm (Allscripts). Exemplos 2023-10-04T11:00:00Z2023-10-10T09:30:00Z
	Data de admissão AdmissionDate	A data e a hora em que o paciente foi formalmente admitido.
Descrição Data e hora que marcam o início da internação. Usadas junto com a data da alta para calcular o tempo de permanência (ALOS). Por que isso importa Ponto de referência essencial para calcular o ALOS e medir atrasos na admissão. Onde encontrar Tabela de cabeçalho da consulta ou do atendimento (por exemplo, ADMIT_DATE). Consulte a documentação do Veradigm (Allscripts). Exemplos 2023-10-01T10:00:00Z2023-10-05T14:20:00Z
	Destino após a alta DischargeDisposition	Status ou local do paciente no momento da alta.
Descrição Indica para onde o paciente foi após a internação (por exemplo, 'Casa', 'Instituição de cuidados especializados', 'Óbito', 'Transferência'). Essa informação é importante para analisar os riscos de readmissão, pois cada destino está associado a diferentes níveis de risco. Por que isso importa Dá contexto ao Dashboard 'Planejamento da alta' e ajuda a explicar variações no ALOS. Onde encontrar Tabela de cabeçalho de visita/atendimento (por exemplo, DISCH_DISP). Consulte a documentação da Veradigm (Allscripts). Exemplos CasaTransferido para instituição de cuidados especializadosCasa com atendimento domiciliarSaiu contra orientação médica
	É readmissão IsReadmission	Indicador de que o episódio é uma readmissão ocorrida em até 30 dias.
Descrição Atributo booleano calculado. Retorna verdadeiro se o paciente teve uma alta anterior nos 30 dias que antecederam a data da internação atual. Esse dado alimenta o 'Monitor de taxa de readmissões evitáveis'. Por que isso importa KPI essencial para a qualidade hospitalar e o reembolso, especialmente em relação às regulamentações do CMS. Onde encontrar Calculado na camada de ETL/transformação de dados com base no PatientMRN e nas datas de internação e alta. Exemplos truefalse
	Nome do setor DepartmentName	A unidade ou o setor do hospital onde a atividade ocorreu.
Descrição Indica o local, como “Pronto-socorro”, “Cardiologia” ou “Radiologia”. Esse dado é essencial para a análise de gargalos na admissão e nas transferências, pois mostra onde os pacientes ficam retidos ao se deslocarem entre unidades. Por que isso importa Ajuda a analisar o uso de recursos e a identificar gargalos nos setores. Onde encontrar Tabelas mestre de locais ou setores vinculadas à transação. Consulte a documentação do Veradigm (Allscripts). Exemplos Pronto-socorroICUCirurgia geralRadiologia
	Número de prontuário do paciente (MRN) PatientMrn	Número de prontuário que identifica exclusivamente o paciente em diferentes episódios.
Descrição O número de prontuário (MRN) ou o ID do paciente na organização. Diferentemente do ID do episódio do paciente, esse identificador permanece igual em todas as consultas. Ele é essencial para vincular episódios distintos e calcular as taxas de reinternação. Por que isso importa Essencial para calcular a “taxa de reinternação em até 30 dias” e identificar pacientes que retornam. Onde encontrar Índice mestre de pacientes ou tabelas demográficas (provavelmente com as colunas MRN e PATIENT_ID). Consulte a documentação do Veradigm (Allscripts). Exemplos MRN-884422P-10022399887766
	Profissional responsável pelo atendimento AttendingProvider	O profissional de saúde responsável pelo paciente durante o evento.
Descrição Identifica o médico, enfermeiro ou especialista que realiza a atividade ou é responsável pelo plano de cuidados. Analisar esse atributo ajuda a entender o uso de recursos clínicos e as variações nas linhas de cuidado por profissional. Por que isso importa Permite analisar gargalos no uso de recursos e comparar a performance entre as equipes clínicas. Onde encontrar Tabelas transacionais (por exemplo, ORDERing_PROVIDER, ATTENDING_PHYSICIAN_ID). Consulte a documentação do Veradigm (Allscripts). Exemplos Dra. Sarah SmithEnfermeiro JonesTécnico de radiologia A
	Centro de custo CostCenter	Código financeiro associado ao departamento ou serviço.
Descrição Relaciona a atividade clínica a uma unidade financeira. Isso ajuda a analisar o 'Custo da atividade' ou a performance financeira genérica de diferentes departamentos. Por que isso importa Relaciona a mineração de processos operacionais ao impacto financeiro. Onde encontrar Tabelas de departamentos ou de cadastro de cobranças. Consulte a documentação da Veradigm (Allscripts). Exemplos CC-1020CC-Rad-01Emergency-001
	Data da consulta de acompanhamento FollowUpAppointmentDate	Data da consulta de acompanhamento agendada.
Descrição Usado para calcular a 'Taxa de consultas de acompanhamento agendadas'. Se esse campo estiver preenchido, significa que uma consulta de acompanhamento foi agendada. Se estiver nulo ou vazio, não foi. Por que isso importa Mede diretamente o KPI 'Conformidade com o acompanhamento do paciente'. Onde encontrar Sistema de agendamento ou tabela de consultas futuras vinculada ao paciente. Consulte a documentação da Veradigm (Allscripts). Exemplos 2023-11-15T14:00:00Znull
	Está em conformidade com o protocolo IsProtocolCompliant	Indicador de que o caso seguiu o percurso padrão de atendimento.
Descrição Atributo calculado que verifica se atividades obrigatórias específicas (por exemplo, 'Sinais vitais registrados' antes de 'Medicamento administrado') ocorreram na ordem correta. Dá suporte ao Dashboard 'Adesão ao protocolo de atendimento'. Por que isso importa Automatiza a identificação de não conformidades sem exigir a revisão manual dos prontuários. Onde encontrar Calculado na ferramenta de mineração de processos ou no ETL, com base na sequência de atividades. Exemplos truefalse
	ID do pedido OrderId	Identificador de pedidos específicos (exames laboratoriais, medicamentos, procedimentos).
Descrição Vincula o evento 'Pedido' ao evento 'Resultado' ou 'Administração'. Por exemplo, relaciona 'Exame diagnóstico solicitado' a 'Exame diagnóstico concluído'. Esse nível de detalhe é necessário para o Dashboard 'Tempo de resposta de exames diagnósticos'. Por que isso importa Permite calcular a duração de etapas específicas do processo (por exemplo, o tempo de resposta de exames laboratoriais). Onde encontrar Tabelas de entrada de pedidos (por exemplo, ORDER_ID, PLACER_ORDER_NUM). Consulte a documentação da Veradigm (Allscripts). Exemplos ORD-998877LAB-112233RX-445566
	Nome do medicamento MedicationName	Nome do medicamento solicitado ou administrado.
Descrição Usado especificamente no Dashboard 'Intervalos entre administrações de medicamentos'. Ajuda a identificar atrasos na administração de medicamentos específicos, como antibióticos e analgésicos. Por que isso importa Fundamental para analisar a segurança clínica e otimizar os processos da farmácia. Onde encontrar Registro de administração de medicamentos (MAR) ou pedidos da farmácia. Consulte a documentação da Veradigm (Allscripts). Exemplos AmoxicilinaHeparinaSulfato de morfina
	Sistema de origem SourceSystem	O nome do sistema de onde os dados vieram.
Descrição Identifica a instância de software que fornece os dados, como “Veradigm Sunrise” ou “Veradigm TouchWorks”. Isso é especialmente importante em ambientes com vários hospitais ou ao combinar dados de unidades de atendimento agudo e ambulatorial. Por que isso importa Permite rastrear a origem e a linhagem dos dados, o que é útil para investigar problemas de qualidade dos dados. Onde encontrar Definido durante o processo de ETL ou extraído das tabelas de metadados do sistema. Exemplos Veradigm SunriseAllscripts PMVeradigm TouchWorks
	Tempo de resposta de exames diagnósticos DiagnosticTurnaroundTime	Tempo entre a solicitação do exame e a disponibilização do resultado.
Descrição Duração calculada entre 'Exame diagnóstico solicitado' e 'Diagnóstico confirmado' (ou recebimento do resultado). Usada na 'Visão geral do tempo de resposta de exames diagnósticos'. Por que isso importa Tempos de resposta elevados prolongam o tempo de internação. Essa métrica identifica atrasos no laboratório e na radiologia. Onde encontrar Cálculo: timestamp do resultado - timestamp do pedido. Exemplos 2 horas45 minutos1,5 dia
	Última atualização dos dados LastDataUpdate	Data e hora da última extração ou atualização do registro.
Descrição Indica o nível de atualização dos dados usados na análise. Esse campo ajuda a entender se você está consultando dados em tempo real ou um retrato de um período anterior. Por que isso importa Garante transparência sobre a latência dos dados e ajuda a definir estratégias de carregamento incremental. Onde encontrar Data e hora geradas pelo sistema durante a execução do ETL ou da extração. Exemplos 2023-11-01T23:59:59Z2023-11-02T06:00:00Z

Obrigatório Recomendado Opcional

Atividades da jornada do paciente

Estas são as principais etapas e os marcos do processo que você deve registrar no Event Log para descobrir com precisão o processo da jornada do paciente.

6 Recomendado 7 Opcional

	Atividade	Descrição
	Avaliação inicial concluída	Indica a conclusão da primeira avaliação clínica feita por um enfermeiro ou médico, como a triagem ou a avaliação inicial. Em geral, o registro é feito quando um formulário ou uma anotação clínica específica, como “Avaliação inicial de enfermagem”, é assinada e finalizada no prontuário eletrônico.
Por que isso importa Esta atividade é um marco importante no início da jornada. O tempo entre o registro e essa avaliação ajuda a identificar possíveis atrasos na admissão e no atendimento inicial. Onde encontrar Pode ser identificada pela data e hora de finalização ou assinatura dos formulários de avaliação inicial ou das anotações clínicas nos módulos de documentação clínica do Veradigm. Coleta Identifique a data e hora em que o status da anotação ou do formulário de avaliação inicial muda para “concluído” ou “assinado”. Tipo de evento inferred
	Diagnóstico confirmado	Esta atividade indica que um profissional de saúde registrou oficialmente um diagnóstico no prontuário do paciente. O registro pode ocorrer quando um código de diagnóstico é adicionado à lista de problemas ou quando uma anotação clínica com o diagnóstico é assinada.
Por que isso importa A confirmação do diagnóstico é um ponto de virada importante, pois determina as próximas etapas do tratamento. Ela permite analisar as variações nas linhas de tratamento conforme os diferentes diagnósticos. Onde encontrar Essa informação pode ser encontrada na lista de problemas do paciente, nos registros de diagnóstico do atendimento ou na documentação clínica. Também pode ser identificada pela data e hora em que o código do diagnóstico principal é inserido e finalizado para o atendimento. Coleta Use a data e hora de criação ou atualização do registro do diagnóstico principal para o episódio específico do paciente. Tipo de evento inferred
	Paciente recebeu alta	Marca o fim oficial do episódio de internação, quando o paciente recebe alta formalmente da instituição. Esse evento importante é registrado explicitamente pelo sistema ADT, que atualiza o status do atendimento do paciente para “alta concedida”.
Por que isso importa Esta é a principal atividade de encerramento da maioria das jornadas de pacientes. Ela é essencial para calcular o tempo médio de permanência (ALOS) e o tempo de ciclo total do processo. Onde encontrar O registro é feito explicitamente no módulo ADT. O registro de atendimento do paciente inclui a data e hora da alta e o destino após a alta. Coleta Use a data e hora da alta no registro principal de atendimento ou consulta do paciente. Tipo de evento explicit
	Paciente registrado	Marca o início oficial do episódio do paciente, quando as informações são inseridas no sistema Veradigm. Em geral, esse evento é registrado explicitamente quando alguém conclui o fluxo de trabalho de registro, criando um novo registro de atendimento com um identificador exclusivo e a data e hora.
Por que isso importa Esta é a principal atividade de início da jornada do paciente. Ela é essencial para calcular o tempo de ciclo total do processo, o tempo de permanência e as taxas de fluxo de pacientes. Onde encontrar Esse evento é registrado no módulo de registro de pacientes ou no módulo ADT (Admissão, Alta e Transferência). Procure a data e hora de criação do registro de atendimento ou da consulta do paciente. Coleta Data e hora do registro de atendimento ou da tabela de registro, no momento da criação do registro. Tipo de evento explicit
	Planejamento da alta iniciado	Indica o início formal do planejamento da alta do paciente. Esse evento pode ser identificado pela criação de um documento de planejamento da alta, pela inclusão de uma solicitação de alta ou pela conclusão de uma avaliação específica para o planejamento da alta.
Por que isso importa Esta atividade é o ponto de partida para medir a eficiência do processo de alta. O início antecipado do planejamento costuma estar associado a menos reinternações. Onde encontrar Pode ser identificada pela data e hora de criação de uma anotação de planejamento da alta, de um conjunto de solicitações de alta ou de um formulário de avaliação específico no Veradigm. Coleta Identifique a data e hora em que uma solicitação ou um documento específico de alta é criado pela primeira vez para o atendimento do paciente. Tipo de evento inferred
	Plano de tratamento criado	Indica a formalização do plano de tratamento do paciente pela equipe clínica. Em geral, o registro é feito quando um documento específico de “Plano de cuidados” ou um conjunto de solicitações iniciais de tratamento é criado e assinado no prontuário eletrônico.
Por que isso importa Este marco dá início à fase ativa do tratamento. Ele serve de referência para medir a adesão aos protocolos de atendimento e o tempo até a primeira ação de tratamento, como a administração de um medicamento. Onde encontrar Pode ser identificado pela data e hora da assinatura de um formulário de “Plano de cuidados” ou pela data e hora de criação do primeiro conjunto importante de solicitações terapêuticas após o diagnóstico. Coleta Encontre a data e hora em que o documento de “Plano de cuidados” é finalizado ou assinado pelo profissional responsável pelo atendimento. Tipo de evento inferred
	Acompanhamento agendado	Esta atividade representa o agendamento de uma consulta de acompanhamento para o paciente após a alta. O evento é registrado no módulo de agendamento quando uma consulta vinculada ao atendimento encerrado é marcada.
Por que isso importa Garantir o agendamento do acompanhamento é essencial para a continuidade do atendimento e para reduzir as reinternações. Esta atividade ajuda a medir a conformidade com os protocolos pós-alta. Onde encontrar O registro é feito no módulo de agendamento de consultas. Procure a data e hora de criação de uma nova consulta do paciente marcada para depois da data da alta. Coleta Identifique a data e hora de criação de um registro de consulta no sistema de agendamento vinculado ao paciente. Tipo de evento explicit
	Exame diagnóstico concluído	Indica o momento em que os resultados de um exame diagnóstico são finalizados e disponibilizados no prontuário do paciente. Em geral, esse evento é identificado pela mudança de status da solicitação original de “ativo” ou “em andamento” para “concluído” ou “com resultado”.
Por que isso importa Esta atividade é um marco essencial para medir o tempo de realização dos exames diagnósticos. Atrasos entre a solicitação e a conclusão podem aumentar significativamente o tempo até o diagnóstico. Onde encontrar Pode ser identificada pelo campo de status da solicitação no módulo de solicitações ou pelas datas e horas no módulo de resultados correspondente, como LIS ou RIS. Coleta Identifique a data e hora em que o status da solicitação muda para um estado final, como “Concluído” ou “Com resultado”. Tipo de evento inferred
	Exame diagnóstico solicitado	Esse evento ocorre quando um profissional de saúde solicita um exame diagnóstico, como um exame laboratorial ou de imagem. Ele é registrado explicitamente pelo sistema de entrada computadorizada de solicitações médicas (CPOE) do Veradigm.
Por que isso importa Esse evento marca o início do subprocesso de diagnóstico. É o ponto de partida para medir o tempo de realização dos exames e identificar atrasos nas solicitações. Onde encontrar O registro é feito no módulo de solicitações ou nos logs do sistema CPOE. Cada solicitação tem uma data e hora que indicam quando foi feita. Coleta Extraia a data e hora de criação dos registros de solicitação dos exames diagnósticos relevantes. Tipo de evento explicit
	Medicamento administrado	Esse evento é registrado quando um enfermeiro ou profissional de saúde documenta a administração de um medicamento ao paciente. O registro é feito no módulo de Registro de Administração de Medicamentos (MAR ou eMAR), que informa o horário exato da administração.
Por que isso importa Acompanhar a administração de medicamentos é essencial para analisar a pontualidade e a adesão ao tratamento. O intervalo entre a solicitação e a administração ajuda a identificar atrasos no processo de entrega dos medicamentos. Onde encontrar O registro é feito explicitamente no módulo eMAR (Registro eletrônico de Administração de Medicamentos). Cada evento de administração inclui uma data e hora específicas, o medicamento e a dosagem. Coleta Extraia as datas e horas da tabela eMAR para cada evento de administração de medicamento vinculado ao atendimento do paciente. Tipo de evento explicit
	Procedimento realizado	Indica a conclusão de um procedimento clínico ou cirúrgico. Em geral, o registro é feito quando um profissional de saúde assina a anotação do procedimento ou quando o status da solicitação do procedimento é atualizado para “concluído” no sistema.
Por que isso importa Os procedimentos são marcos importantes em muitas jornadas de pacientes. Analisar quando ocorrem ajuda a entender o uso de recursos e a eficiência do agendamento. Onde encontrar Pode ser identificado pela data e hora da assinatura de uma anotação do procedimento no módulo de documentação clínica ou pela data e hora de conclusão no módulo de solicitações. Coleta Use a data e hora de conclusão da solicitação do procedimento ou a data e hora da assinatura da documentação relacionada. Tipo de evento inferred
	Sinais vitais registrados	Esta atividade ocorre sempre que os sinais vitais do paciente, como frequência cardíaca, pressão arterial e temperatura, são registrados. É um evento explícito, capturado na documentação clínica ou na seção de planilhas de sinais vitais do prontuário eletrônico.
Por que isso importa O registro frequente dos sinais vitais indica o monitoramento ativo do paciente. A frequência e os horários podem ser analisados para verificar a conformidade com os protocolos de monitoramento. Onde encontrar O registro é feito no repositório de dados clínicos ou nas tabelas de planilhas, onde os sinais vitais são armazenados. Cada entrada tem uma data e hora. Coleta Extraia as datas e horas dos dados da planilha de sinais vitais referentes ao atendimento do paciente. Tipo de evento explicit
	Transferência para outro setor	Esse evento marca a transferência física do paciente de um setor ou unidade de atendimento para outro, como da emergência para uma enfermaria. O registro é feito pelo sistema ADT (Admissão, Alta e Transferência) do Veradigm.
Por que isso importa As transferências de pacientes são pontos comuns de gargalos e atrasos. Analisar a duração e a frequência das transferências ajuda a otimizar o fluxo de pacientes e a alocação de recursos entre os setores. Onde encontrar O registro é feito explicitamente no módulo ADT. Cada evento de transferência inclui o paciente, os locais de origem e destino e uma data e hora. Coleta Extraia os registros de eventos do sistema ADT referentes à movimentação dos pacientes. Tipo de evento explicit

Recomendado Opcional

Guias de extração

Como obter seus dados da Veradigm (Allscripts)

Etapas

Identifique o canal de interface desejado: acesse o console de gerenciamento do Allscripts Interface Engine (AIE). Localize o canal de interface principal que processa as mensagens recebidas do EHR (geralmente chamado de 'EHR_Inbound' ou algo semelhante). Confirme se esse canal processa os tipos de mensagem ADT, SIU, ORM, ORU, RAS e DFT para capturar todas as atividades da jornada do paciente.
Crie um novo canal de encaminhamento/exportação: crie um canal de destino chamado 'ProcessMining_Export'. Defina o tipo de saída como 'File Writer'. Esse canal receberá uma cópia das mensagens do canal de origem e as converterá em um arquivo simples no formato CSV para o ProcessMind.
Configure o roteamento de mensagens: nas regras de roteamento do AIE, configure uma regra de cópia/roteamento para enviar mensagens do canal principal do EHR ao novo canal 'ProcessMining_Export'. Filtre o roteamento para incluir apenas os tipos de mensagem necessários: ADT (registro/transferência), SIU (agendamento), ORM (Pedidos), ORU (resultados/sinais vitais), RAS (medicamentos) e DFT (faturamento/procedimentos).
Defina a lógica de transformação: no canal 'ProcessMining_Export', abra o editor de transformação/script. Implemente um script de análise (consulte a seção 'query' abaixo) que leia os segmentos HL7 brutos e associe eventos de disparo e códigos de status específicos aos nomes de atividade padrão necessários (por exemplo, associar 'ADT^A01' a 'Paciente registrado').
Associe os atributos aos campos HL7: confirme se o script extrai 'PatientEpisodeId' do segmento PV1-19 (número da visita) e 'PatientMrn' de PID-3. Associe 'EventDateTime' a MSH-7 ou EVN-2. Extraia detalhes clínicos, como 'DepartmentName' de PV1-3 e 'AttendingProvider' de PV1-7.
Defina os parâmetros do arquivo de saída: configure as opções do File Writer. Defina o diretório de saída como um caminho de rede seguro. Especifique a convenção de nomenclatura dos arquivos (por exemplo, EventLog_YYYYMMDD_HH.csv). Defina o modo de gravação como 'Append' para adicionar linhas continuamente ao registro.
Trate os delimitadores e caracteres de escape: no script, limpe os campos de texto, como diagnóstico ou nome do departamento, removendo vírgulas e quebras de linha para evitar problemas na estrutura do CSV.
Ative e teste: inicie o canal 'ProcessMining_Export'. Gere um evento de teste no ambiente de testes do Veradigm (por exemplo, registre um paciente de teste). Confirme se uma nova linha aparece no arquivo CSV com o nome da atividade e a data e hora corretos.
Configure a rotação dos registros: defina uma programação de rotação (por exemplo, diariamente à meia-noite) para fechar o arquivo CSV atual e iniciar outro. Assim, os arquivos ficam com um tamanho adequado para carregamento.
Reproduza dados históricos (opcional): se precisar de dados históricos, use a ferramenta 'Message Browser' ou 'Log Replay' do AIE para reenviar registros HL7 arquivados dos últimos 3 a 6 meses pelo canal 'ProcessMining_Export'. Acompanhe o desempenho do sistema para evitar lentidão.
Recupere e formate os arquivos: acesse o diretório de saída, recupere os arquivos CSV gerados e confirme se os cabeçalhos atendem aos requisitos. Se necessário, combine os arquivos diários.
Carregue os dados no ProcessMind: importe o conjunto de dados final para o ProcessMind e associe 'PatientEpisodeId' a ID do caso, 'ActivityName' a Atividade e 'EventDateTime' a Data e hora.

Configuração

Tipo de canal: File Writer / saída do sistema de arquivos
Eventos de disparo: ADT^A01, ADT^A03, ADT^A04, ADT^A08, SIU^S12, ORM^O01, ORU^R01, RAS^O17, DFT^P03
Codificação do arquivo: UTF-8 (essencial para caracteres especiais em nomes e diagnósticos)
Delimitador: vírgula (,) ou barra vertical (|)
Formato de data: recomenda-se ISO 8601 (YYYY-MM-DDTHH:MM:SS) para converter datas e horas do HL7
Rotação dos registros: diariamente ou quando o arquivo ultrapassar 100 MB
Modo de gravação: Append (não substituir o arquivo)
Desempenho: mantenha o script de transformação leve para evitar filas ou acúmulo de mensagens no mecanismo.

a Consulta de exemplo config

// AIE Transformation Script (Pseudo-code for Config)
// Objective: Parse HL7 message and append line to CSV
// Output Columns: PatientEpisodeId, ActivityName, EventDateTime, PatientMrn, AttendingProvider, DepartmentName, PrimaryDiagnosisCode

// 1. Initialize Variables
var msgType = HL7.GetField("MSH-9-1") + "^" + HL7.GetField("MSH-9-2");
var visitNumber = HL7.GetField("PV1-19");
var mrn = HL7.GetField("PID-3");
var eventTime = HL7.GetField("MSH-7"); // Or EVN-2
var provider = HL7.GetField("PV1-7");
var dept = HL7.GetField("PV1-3");
var diagnosis = HL7.GetField("DG1-3"); // For Diagnosis events
var orderStatus = HL7.GetField("ORC-5");
var resultStatus = HL7.GetField("OBR-25");
var activityName = "";

// 2. Map Message Types to Activities
// Registration & Admission
if (msgType == "ADT^A04" || msgType == "ADT^A01") {
    activityName = "Patient Registered";
}
else if (msgType == "ADT^A02") {
    activityName = "Transfer to Department";
}
else if (msgType == "ADT^A03") {
    activityName = "Patient Discharged";
}
// Scheduling
else if (msgType == "SIU^S12") {
    activityName = "Follow-up Scheduled";
}
// Orders (Diagnostics, Care Plans, Discharge Planning)
else if (msgType == "ORM^O01") {
    var orderControl = HL7.GetField("ORC-1");
    var orderType = HL7.GetField("OBR-4"); // Check for specific service codes
    
    if (orderControl == "NW") { // New Order
        if (orderType.Contains("LAB") || orderType.Contains("RAD")) {
            activityName = "Diagnostic Test Ordered";
        }
        else if (orderType.Contains("DISCHARGE")) {
            activityName = "Discharge Planning Initiated";
        }
        else if (orderType.Contains("CARE_PLAN")) {
            activityName = "Treatment Plan Created";
        }
    }
}
// Results & Vitals
else if (msgType == "ORU^R01") {
    // Check if it is Vitals or Lab Result based on OBX codes or sending app
    var observationId = HL7.GetField("OBX-3"); 
    if (observationId.Contains("VITALS")) {
        activityName = "Vitals Recorded";
    } else {
        if (resultStatus == "F" || resultStatus == "C") {
            activityName = "Diagnostic Test Completed";
        }
    }
    
    // Initial Assessment Check (often a specific doc type in ORU or MDM)
    if (observationId.Contains("INITIAL_ASSESS")) {
        activityName = "Initial Assessment Completed";
    }
}
// Medication Administration (RAS)
else if (msgType == "RAS^O17") {
    activityName = "Medication Administered";
}
// Billing/Procedures (DFT)
else if (msgType == "DFT^P03") {
    activityName = "Procedure Performed";
}
// Diagnosis Updates (Often in ADT or DFT, logic depends on config)
else if (msgType == "ADT^A08" && diagnosis != "") {
    // Check if diagnosis segment is new/updated
    activityName = "Diagnosis Confirmed";
}

// 3. Write to File if Activity Identified
if (activityName != "" && visitNumber != "") {
    // Format Date to ISO
    var formattedDate = FormatDate(eventTime, "yyyy-MM-dd HH:mm:ss");
    
    // Construct CSV Line
    var csvLine = visitNumber + "," + 
                  activityName + "," + 
                  formattedDate + "," + 
                  mrn + "," + 
                  provider + "," + 
                  dept + "," + 
                  diagnosis;
                  
    File.WriteLine("[Configured_Output_Path]\\PatientJourneyLog.csv", csvLine);
}

Etapas

Pré-requisitos e acesso: confirme se você tem credenciais válidas para a API Veradigm (Allscripts) Unity. Você precisará de um Appname (nome do aplicativo) autorizado para sua organização e de um UserID e uma Password (ou token) válidos para autenticação. Confirme se a conta de usuário tem permissão para acessar os domínios clínicos (encontros, Pedidos, resultados, sinais vitais e problemas).
Configuração do ambiente: instale o Python 3.8 ou superior. Instale as bibliotecas necessárias com pip: pip install requests pandas. Elas serão usadas para fazer solicitações HTTP à API Unity e manipular os dados retornados.
Configuração: abra o script Python fornecido. Localize a seção CONFIGURATION no início do arquivo. Atualize API_URL para apontar para o endpoint específico do seu ambiente Unity (por exemplo, unity.veradigm.com ou um gateway interno). Substitua as credenciais genéricas ([YourAppName], [YourUserID] etc.) pelas credenciais reais. Defina START_DATE e END_DATE para o período de análise desejado.
Visão geral da lógica do script: primeiro, o script autentica na API para obter um token de segurança. Em seguida, chama GetEncounterInfo para recuperar todos os episódios de pacientes no período especificado. Essa lista de encontros serve como base para a extração.
Loop de extração de atividades: para cada EncounterID identificado, o script faz chamadas adicionais a endpoints específicos. Ele chama GetOrders para localizar exames diagnósticos e procedimentos, GetResults para identificar exames concluídos, GetVitals para consultar registros de sinais vitais e GetPatientProblems para obter diagnósticos confirmados. Também percorre as anotações clínicas para localizar avaliações e planos de tratamento.
Transformação dos dados: quando a API retorna dados JSON brutos, o script analisa campos específicos e os associa ao esquema do ProcessMind. Por exemplo, OrderDateTime é associado a EventDateTime na atividade 'Exame diagnóstico solicitado'. O script também garante que PatientEpisodeId (ID do encontro) seja aplicado de forma consistente a todos os registros relacionados.
Tratamento de ADT e transferências: a lógica do script verifica o histórico de localização do encontro, se disponível por chamadas específicas de auditoria ou ADT, ou deduz transferências com base nas mudanças de departamento registradas na documentação clínica, para gerar eventos de 'Transferência para o departamento'.
Lógica de acompanhamento: depois de processar o encontro, o script consulta GetSchedule para o mesmo PatientID e procura datas de consulta posteriores a DischargeDate para gerar a atividade 'Acompanhamento agendado'.
Validação: o script inclui uma etapa de validação local que exibe no console a quantidade de linhas por tipo de atividade. Revise o resultado para confirmar que todos os tipos de atividade têm registros, exceto quando a ausência for esperada.
Exportação: o conjunto de dados final é reunido em um DataFrame do Pandas. O script calcula atributos derivados, como LengthOfStay e IsReadmission, ordenando os dados por paciente e data e hora. Por fim, exporta o Event Log tratado para um arquivo CSV chamado veradigm_patient_journey_log.csv.
Revisão final: abra o arquivo CSV gerado. Confirme se as datas estão no formato ISO 8601 (YYYY-MM-DD HH:MM:SS) e se os campos de texto, como ActivityName, não contêm caracteres usados como delimitadores.
Carregamento: importe o arquivo CSV para o ProcessMind. Associe PatientEpisodeId a ID do caso, ActivityName a Atividade e EventDateTime a Data e hora.

Configuração

API_URL: URL base dos serviços da API Unity. Ela varia conforme a instalação do cliente (por exemplo, local ou na nuvem). Confirme se o protocolo (https) está correto.
Appname: identificador exclusivo do aplicativo registrado no Veradigm/Allscripts. Ele define o escopo de acesso aos dados.
Período: recomenda-se extrair dados de 3 a 6 meses. Períodos maiores podem exceder o tempo limite. Se o volume for alto, considere dividir a extração por mês.
Configurações de tempo limite: o script usa, por padrão, um tempo limite de 30 segundos para chamadas à API. Aumente esse valor se o sistema EHR estiver sob carga intensa.
Processamento em lotes: o script percorre os encontros um por um. Em sistemas de alto volume, pode ser necessário modificá-lo para buscar dados em lote, se os endpoints permitirem, ou executar threads em paralelo.
Lógica de associação: o script associa OrderType às atividades. Confirme se os códigos específicos de tipo de pedido do seu sistema (por exemplo, 'Laboratório', 'Radiologia') correspondem à lógica da função process_orders.

a Consulta de exemplo python

import requests
import pandas as pd
import json
from datetime import datetime, timedelta

class=class="hl-string">"hl-comment"># === CONFIGURATION ===
API_URL = class="hl-string">"https://unity.veradigm.com/[YourEnvironment]/unity/unityservice.svc/json"
APP_NAME = class="hl-string">"[YourAppName]"
USER_ID = class="hl-string">"[YourUserID]"
PASSWORD = class="hl-string">"[YourPassword]"
START_DATE = class="hl-string">"2023-01-01"
END_DATE = class="hl-string">"2023-01-31"
OUTPUT_FILE = class="hl-string">"veradigm_patient_journey_log.csv"

class=class="hl-string">"hl-comment"># Global Session Token
TOKEN = None

def get_security_token():
    class="hl-string">"""Authenticate and retrieve security token."""
    payload = {
        class="hl-string">"Action": class="hl-string">"GetToken",
        class="hl-string">"Appname": APP_NAME,
        class="hl-string">"Username": USER_ID,
        class="hl-string">"Password": PASSWORD
    }
    try:
        response = requests.post(API_URL, json=payload)
        response.raise_for_status()
        data = response.json()
        class=class="hl-string">"hl-comment"># Depending on Unity version, token might be in body or header. Assuming body here.
        return data[0][class="hl-string">'Token'] if isinstance(data, list) else data.get(class="hl-string">'Token')
    except Exception as e:
        print(fclass="hl-string">"Authentication failed: {e}")
        return None

def make_unity_request(action, params):
    class="hl-string">"""Wrapper for Unity API calls."""
    payload = {
        class="hl-string">"Action": action,
        class="hl-string">"Appname": APP_NAME,
        class="hl-string">"Token": TOKEN
    }
    payload.update(params)
    
    try:
        response = requests.post(API_URL, json=payload, timeout=30)
        response.raise_for_status()
        class=class="hl-string">"hl-comment"># Unity often returns a list of dictionaries
        return response.json()
    except Exception as e:
        print(fclass="hl-string">"API Call Error ({action}): {e}")
        return []

def extract_patient_journey():
    global TOKEN
    TOKEN = get_security_token()
    if not TOKEN:
        return

    print(class="hl-string">"Token acquired. Starting extraction...")
    
    event_log = []

    class=class="hl-string">"hl-comment"># 1. Get Encounters within Date Range
    class=class="hl-string">"hl-comment"># Using GetEncounterInfo or similar search action
    encounters = make_unity_request(class="hl-string">"GetEncounterInfo", {
        class="hl-string">"StartEncounterDate": START_DATE,
        class="hl-string">"EndEncounterDate": END_DATE
    })

    print(fclass="hl-string">"Found {len(encounters)} encounters. Processing details...")

    for enc in encounters:
        try:
            class=class="hl-string">"hl-comment"># Basic Encounter Data
            episode_id = str(enc.get(class="hl-string">'EncounterID'))
            patient_id = enc.get(class="hl-string">'PatientID')
            mrn = enc.get(class="hl-string">'MRN', class="hl-string">'')
            admit_time = enc.get(class="hl-string">'EncounterDate') class=class="hl-string">"hl-comment"># ISO string expected
            discharge_time = enc.get(class="hl-string">'DischargeDate')
            dept_name = enc.get(class="hl-string">'Department', class="hl-string">'General')
            attending = enc.get(class="hl-string">'ProviderName', class="hl-string">'Unknown')
            
            class=class="hl-string">"hl-comment"># --- Activity: Patient Registered ---
            if admit_time:
                event_log.append({
                    class="hl-string">"PatientEpisodeId": episode_id,
                    class="hl-string">"ActivityName": class="hl-string">"Patient Registered",
                    class="hl-string">"EventDateTime": admit_time,
                    class="hl-string">"PatientMrn": mrn,
                    class="hl-string">"AttendingProvider": attending,
                    class="hl-string">"DepartmentName": dept_name,
                    class="hl-string">"AdmissionDate": admit_time,
                    class="hl-string">"DischargeDate": discharge_time
                })

            class=class="hl-string">"hl-comment"># --- Activity: Patient Discharged ---
            if discharge_time:
                 event_log.append({
                    class="hl-string">"PatientEpisodeId": episode_id,
                    class="hl-string">"ActivityName": class="hl-string">"Patient Discharged",
                    class="hl-string">"EventDateTime": discharge_time,
                    class="hl-string">"PatientMrn": mrn,
                    class="hl-string">"AttendingProvider": attending,
                    class="hl-string">"DepartmentName": dept_name,
                    class="hl-string">"AdmissionDate": admit_time,
                    class="hl-string">"DischargeDate": discharge_time
                })

            class=class="hl-string">"hl-comment"># 2. Get Orders (Labs, Procedures, Consults)
            orders = make_unity_request(class="hl-string">"GetOrders", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for order in orders:
                order_time = order.get(class="hl-string">'OrderDate')
                order_type = order.get(class="hl-string">'OrderType', class="hl-string">'').lower()
                order_name = order.get(class="hl-string">'OrderName', class="hl-string">'Unknown Order')
                
                class=class="hl-string">"hl-comment"># --- Activity: Diagnostic Test Ordered ---
                if class="hl-string">'lab' in order_type or class="hl-string">'imaging' in order_type or class="hl-string">'radiology' in order_type:
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Diagnostic Test Ordered",
                        class="hl-string">"EventDateTime": order_time,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_OrderName": order_name
                    })

                class=class="hl-string">"hl-comment"># --- Activity: Procedure Performed ---
                class=class="hl-string">"hl-comment"># Often procedures are orders with status completed or specific types
                if class="hl-string">'procedure' in order_type and order.get(class="hl-string">'Status') == class="hl-string">'Completed':
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Procedure Performed",
                        class="hl-string">"EventDateTime": order.get(class="hl-string">'CompletionDate', order_time),
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_ProcedureName": order_name
                    })
                    
                class=class="hl-string">"hl-comment"># --- Activity: Discharge Planning Initiated ---
                if class="hl-string">'discharge' in order_name.lower():
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Discharge Planning Initiated",
                        class="hl-string">"EventDateTime": order_time,
                        class="hl-string">"PatientMrn": mrn
                    })

            class=class="hl-string">"hl-comment"># 3. Get Results (Lab completion)
            results = make_unity_request(class="hl-string">"GetResults", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for res in results:
                result_time = res.get(class="hl-string">'ResultDate')
                if result_time:
                    class=class="hl-string">"hl-comment"># --- Activity: Diagnostic Test Completed ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Diagnostic Test Completed",
                        class="hl-string">"EventDateTime": result_time,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_ResultName": res.get(class="hl-string">'TestName', class="hl-string">'Unknown Test')
                    })

            class=class="hl-string">"hl-comment"># 4. Get Problems (Diagnosis)
            problems = make_unity_request(class="hl-string">"GetPatientProblems", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for prob in problems:
                onset_date = prob.get(class="hl-string">'OnsetDate') or prob.get(class="hl-string">'DateEntered')
                if onset_date:
                     class=class="hl-string">"hl-comment"># --- Activity: Diagnosis Confirmed ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Diagnosis Confirmed",
                        class="hl-string">"EventDateTime": onset_date,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"PrimaryDiagnosisCode": prob.get(class="hl-string">'ICD10', class="hl-string">''),
                        class="hl-string">"Attribute_DiagnosisName": prob.get(class="hl-string">'ProblemDescription', class="hl-string">'')
                    })

            class=class="hl-string">"hl-comment"># 5. Get Vitals
            vitals = make_unity_request(class="hl-string">"GetVitals", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for vit in vitals:
                taken_time = vit.get(class="hl-string">'DateTaken')
                if taken_time:
                    class=class="hl-string">"hl-comment"># --- Activity: Vitals Recorded ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Vitals Recorded",
                        class="hl-string">"EventDateTime": taken_time,
                        class="hl-string">"PatientMrn": mrn
                    })

            class=class="hl-string">"hl-comment"># 6. Get Clinical Notes (Assessments, Plans)
            class=class="hl-string">"hl-comment"># Sometimes accessed via GetNoteInfo or GetChart
            notes = make_unity_request(class="hl-string">"GetNoteInfo", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for note in notes:
                note_date = note.get(class="hl-string">'NoteDate')
                note_title = note.get(class="hl-string">'DocumentType', class="hl-string">'').lower()
                
                class=class="hl-string">"hl-comment"># --- Activity: Initial Assessment Completed ---
                if class="hl-string">'initial' in note_title or class="hl-string">'assessment' in note_title:
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Initial Assessment Completed",
                        class="hl-string">"EventDateTime": note_date,
                        class="hl-string">"PatientMrn": mrn
                    })
                
                class=class="hl-string">"hl-comment"># --- Activity: Treatment Plan Created ---
                if class="hl-string">'plan' in note_title or class="hl-string">'care' in note_title:
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Treatment Plan Created",
                        class="hl-string">"EventDateTime": note_date,
                        class="hl-string">"PatientMrn": mrn
                    })

            class=class="hl-string">"hl-comment"># 7. Med Administration (GetMedicationAdministration or inferred from Med History)
            meds = make_unity_request(class="hl-string">"GetMedicationAdministration", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for med in meds:
                admin_time = med.get(class="hl-string">'AdministrationDate')
                if admin_time:
                    class=class="hl-string">"hl-comment"># --- Activity: Medication Administered ---
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Medication Administered",
                        class="hl-string">"EventDateTime": admin_time,
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"Attribute_MedicationName": med.get(class="hl-string">'MedicationName', class="hl-string">'')
                    })

            class=class="hl-string">"hl-comment"># 8. Transfer Events (Infer from ADT or Audit log)
            class=class="hl-string">"hl-comment"># Simulating transfer extraction via AuditLog for Location changes
            audit_logs = make_unity_request(class="hl-string">"GetAuditLog", {class="hl-string">"PatientID": patient_id, class="hl-string">"EncounterID": episode_id})
            for log in audit_logs:
                if class="hl-string">"Transfer" in log.get(class="hl-string">'EventName', class="hl-string">'') or class="hl-string">"Location Change" in log.get(class="hl-string">'EventName', class="hl-string">''):
                     class=class="hl-string">"hl-comment"># --- Activity: Transfer to Department ---
                     event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Transfer to Department",
                        class="hl-string">"EventDateTime": log.get(class="hl-string">'EventDate'),
                        class="hl-string">"PatientMrn": mrn,
                        class="hl-string">"DepartmentName": log.get(class="hl-string">'NewValue', class="hl-string">'Unknown Dept')
                     })

            class=class="hl-string">"hl-comment"># 9. Follow-up Scheduled
            if discharge_time:
                future_appts = make_unity_request(class="hl-string">"GetSchedule", {class="hl-string">"PatientID": patient_id, class="hl-string">"StartDate": discharge_time})
                for appt in future_appts:
                    class=class="hl-string">"hl-comment"># --- Activity: Follow-up Scheduled ---
                    class=class="hl-string">"hl-comment"># Note: We want the time the appt was BOOKED, but Unity usually gives ApptDate.
                    class=class="hl-string">"hl-comment"># We will use the creation date of the appt if available, otherwise ApptDate as proxy
                    event_log.append({
                        class="hl-string">"PatientEpisodeId": episode_id,
                        class="hl-string">"ActivityName": class="hl-string">"Follow-up Scheduled",
                        class="hl-string">"EventDateTime": appt.get(class="hl-string">'DateBooked', appt.get(class="hl-string">'ApptDate')), 
                        class="hl-string">"PatientMrn": mrn
                    })

        except Exception as e:
            print(fclass="hl-string">"Error processing encounter {enc.get('EncounterID')}: {e}")
            continue

    class=class="hl-string">"hl-comment"># Post-Processing: Create DataFrame
    df = pd.DataFrame(event_log)
    
    class=class="hl-string">"hl-comment"># Helper: Convert strings to datetime
    df[class="hl-string">'EventDateTime'] = pd.to_datetime(df[class="hl-string">'EventDateTime'], errors=class="hl-string">'coerce')
    df = df.dropna(subset=[class="hl-string">'EventDateTime', class="hl-string">'PatientEpisodeId'])
    
    class=class="hl-string">"hl-comment"># Calculate LOS and Readmission
    df[class="hl-string">'AdmissionDate'] = pd.to_datetime(df[class="hl-string">'AdmissionDate'], errors=class="hl-string">'coerce')
    df[class="hl-string">'DischargeDate'] = pd.to_datetime(df[class="hl-string">'DischargeDate'], errors=class="hl-string">'coerce')
    
    class=class="hl-string">"hl-comment"># LOS
    df[class="hl-string">'LengthOfStay'] = (df[class="hl-string">'DischargeDate'] - df[class="hl-string">'AdmissionDate']).dt.days

    class=class="hl-string">"hl-comment"># IsReadmission (Simplified: check if patient had previous discharge within 30 days)
    class=class="hl-string">"hl-comment"># Requires sorting by patient and admission time first
    class=class="hl-string">"hl-comment"># This is complex in a flat event log context, simplified here as placeholder logic
    df[class="hl-string">'IsReadmission'] = False 

    print(fclass="hl-string">"Extraction complete. Rows: {len(df)}")
    df.to_csv(OUTPUT_FILE, index=False)
    print(fclass="hl-string">"Data saved to {OUTPUT_FILE}")

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

Pronto para começar?

Comece hoje a otimizar a experiência dos pacientes e a eficiência operacional. Seus dados podem revelar insights valiosos e ajudar você a promover melhorias significativas.

Voltar ao guia de melhoria Baixar Template

Otimize hoje a jornada do paciente no Veradigm

Reduza em 30% o tempo de ciclo dos pacientes e melhore os resultados do atendimento.

Começar o teste grátis

Não é necessário informar cartão de crédito. Comece agora mesmo.

Seu Template de dados da jornada do paciente

Seu Template de dados da jornada do paciente

Atributos da jornada do paciente

Atividades da jornada do paciente

Guias de extração

Exportação do Event Log do Allscripts Interface Engine

Etapas

Configuração

a Consulta de exemplo config

Extração da API Veradigm Unity com Python

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Otimize hoje a jornada do paciente no Veradigm

Seu Template de dados da jornada do paciente

Seu Template de dados da jornada do paciente

Atributos da jornada do paciente

Atividades da jornada do paciente

Guias de extração

Exportação do Event Log do Allscripts Interface Engine

Etapas

Configuração

a Consulta de exemplo config

Extração da API Veradigm Unity com Python

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Otimize hoje a jornada do paciente no Veradigm

Sua privacidade é importante para nós