> Melhoria contínua de processos > Jornada do paciente > athenahealth > Template de dados

Seu Template de dados da jornada do paciente

athenahealth

Atributos da jornada do paciente (19) Atividades da jornada do paciente (15) Guias de extração (2)

Seu Template de dados da jornada do paciente

Este Template traz orientações completas para coletar os dados necessários à análise da jornada do paciente. Ele apresenta os atributos e as atividades essenciais que você precisa acompanhar, além de explicar como extrair essas informações do athenahealth. Use este material para preparar seus dados para uma análise eficaz de Process Mining.

Atributos recomendados para coleta
Principais atividades a acompanhar
Orientações para extração no athenahealth

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 seu Event Log, essenciais para analisar e entender a fundo as jornadas dos pacientes.

5 Obrigatório 9 Recomendado 5 Opcional

	Nome	Descrição
	Data e hora do evento EventTimestamp	Data e hora exatas em que a atividade ocorreu.
Descrição Registra o momento exato em que uma atividade aconteceu. Esse dado é usado para ordenar os eventos cronologicamente e calcular a duração entre as etapas. É essencial para análises baseadas em tempo, incluindo tempo de ciclo, tempo de espera e vazão. É preferível usar alta precisão para determinar a ordem dos eventos que acontecem no mesmo dia. Por que isso importa Necessário para ordenar os eventos e calcular todos os KPIs baseados em tempo. Onde encontrar Campos de data e hora associados a alterações de status ou datas de criação nas tabelas do athenahealth. Exemplos 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	Episódio do paciente PatientEpisodeId	Identificador exclusivo do episódio ou da jornada específica do paciente.
Descrição Este atributo funciona como identificador central do caso, agrupando todas as atividades relacionadas a um período específico de atendimento ou a uma condição do paciente. Ele conecta eventos distintos, como consultas, solicitações de exames diagnósticos e procedimentos de alta, em uma única jornada coerente. Na análise, esse ID é a chave primária para a mineração de processos e permite reconstruir o fluxo de ponta a ponta. Ele garante que várias consultas do mesmo paciente, relacionadas a condições diferentes, sejam tratadas como instâncias de processo distintas. Por que isso importa Essencial para definir o escopo de uma única instância de processo na análise. Onde encontrar Derivado do agrupamento de IDs de atendimento ou vinculado a um ID específico de episódio de atendimento no athenahealth. Exemplos EP-2023-88491EP-2023-99102ENC-55412-GRP
	Nome da atividade ActivityName	Nome do evento ou da tarefa realizada na jornada do paciente.
Descrição Indica a etapa específica do processo, como 'Paciente fez check-in', 'Exame diagnóstico solicitado' ou 'Medicamento administrado'. Esse texto define os nós do mapa de processos. É usado para visualizar o fluxo do processo e identificar a sequência de operações. Padronizar esses nomes é fundamental para que o mapa de processos seja legível e não fique fragmentado em grupos. Por que isso importa Define as etapas do mapa de processos e é obrigatório para qualquer mineração de processos. Onde encontrar Derivado de registros de auditoria, alterações no status de consultas ou descrições de itens de solicitações. Exemplos Consulta agendadaPaciente fez check-inExame diagnóstico solicitadoPaciente recebeu alta
	Sistema de origem SourceSystem	Nome do sistema de onde os dados vieram.
Descrição Identifica o sistema de TI responsável por gerar o registro, neste caso, 'athenahealth'. Isso é especialmente útil em ambientes com vários sistemas, nos quais os dados podem ser combinados. Permite que analistas filtrem a visualização pela fonte de dados e investiguem problemas de qualidade dos dados específicos de um sistema. Por que isso importa Fornece linhagem e contexto dos dados em configurações de mineração de processos com vários sistemas. Onde encontrar Valor literal definido no código ou ID de configuração do sistema. Exemplos athenahealthAthenaOneAthenaPractice
	Última atualização dos dados LastDataUpdate	Data e hora da última extração ou atualização dos dados.
Descrição Indica o nível de atualização dos dados usados na análise. Isso ajuda a entender se você está consultando dados em tempo real ou um retrato histórico. É usado para gerenciar pipelines de dados e garantir que os Dashboards reflitam o estado mais recente do processo. Por que isso importa Essencial para a governança dos dados e para que os usuários confiem na atualidade das informações do Dashboard. Onde encontrar Horário do sistema no momento da execução do ETL. Exemplos 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	Código do diagnóstico principal PrimaryDiagnosisCode	Código ICD-10 principal associado ao episódio.
Descrição Classifica o motivo clínico da jornada do paciente. Isso fornece o contexto necessário para a 'Comparação de jornadas por faixa etária e diagnóstico'. Analistas usam esse dado para segmentar as jornadas por condição, como pneumonia ou fratura, pois cada condição tem fluxos esperados e tempos de ciclo muito diferentes. Por que isso importa Permite comparar casos semelhantes, já que os tempos de ciclo variam muito conforme o diagnóstico. Onde encontrar Campos de diagnóstico do atendimento ou da solicitação (ICD-10). Exemplos J18.9I10E11.9
	Destino após a alta DischargeDisposition	Destino ou status do paciente após a alta.
Descrição Indica para onde o paciente foi após o episódio, como casa, instituição de cuidados especializados ou hospice. É essencial para analisar o 'Planejamento de alta e tendências de readmissão'. Fornece contexto sobre a complexidade do planejamento de alta necessário e ajuda a avaliar a eficácia das transições de cuidado. Por que isso importa Contexto essencial para o planejamento de alta e o risco de readmissão. Onde encontrar Campos de atendimento do athenahealth ou registros de alta hospitalar. Exemplos CasaInstituição de cuidados especializadosTransferido para hospital de curta permanênciaÓbito
	É readmissão IsReadmission	Indicador que informa se este episódio representa um retorno não programado.
Descrição Indicador booleano que identifica se o paciente retornou ao hospital dentro de um período definido, como 30 dias após uma alta anterior. Esse dado dá suporte direto ao KPI 'Percentual de readmissões não programadas'. Ao filtrar por esse atributo, analistas podem aprofundar a análise das causas raiz das readmissões e identificar padrões nos fluxos de tratamento iniciais. Por que isso importa Dá suporte direto ao KPI de taxa de readmissão. Onde encontrar Calculado durante o ETL, comparando a data de admissão com a data da alta anterior. Exemplos truefalse
	Faixa etária do paciente PatientAgeGroup	Classificação da idade do paciente em faixas, como 18 a 25 anos ou 65 anos ou mais.
Descrição Segmenta os pacientes em grupos demográficos. Esse dado é necessário para o Dashboard 'Comparação de jornadas por faixa etária e diagnóstico'. Ajuda a identificar se ineficiências do processo ou resultados afetam de forma desproporcional determinadas faixas etárias, como idosos ou pacientes pediátricos. Por que isso importa Segmento demográfico padrão para análise de processos de saúde. Onde encontrar Derivado da data de nascimento do paciente e de StartTime. Exemplos 18-2930-4965+
	Hora de término do evento EventEndTime	Horário em que a atividade específica foi concluída.
Descrição Registra o horário de conclusão de uma atividade, permitindo calcular a duração ativa (tempo de processamento) da própria etapa, separada do tempo de espera anterior. É usado para analisar a eficiência dos recursos e identificar tarefas que levam mais tempo do que o esperado para serem executadas manualmente. Por que isso importa Permite calcular o tempo ativo de processamento em comparação com o tempo passivo de espera. Onde encontrar Horário do check-out, horário de verificação do resultado ou registros de data e hora específicos de conclusão no athenahealth. Exemplos 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	ID do paciente PatientId	Identificador exclusivo do paciente, anonimizado ou com hash.
Descrição Identifica exclusivamente o cliente (paciente) que percorre a jornada. Embora seja semelhante ao identificador do caso, um paciente pode ter vários episódios ao longo do tempo. É usado para vincular consultas recorrentes e analisar taxas de readmissão. É essencial para o KPI 'Percentual de readmissões não programadas'. Por que isso importa Necessário para acompanhar readmissões e o histórico do paciente entre episódios. Onde encontrar Campo 'patientid' do athenahealth. Exemplos PAT-100234PAT-559201PAT-992210
	Nome do profissional de saúde ProviderName	Nome do profissional de saúde que realizou a atividade.
Descrição Identifica o médico, enfermeiro ou técnico responsável pelo evento. Esse atributo é fundamental para analisar a utilização de recursos. Ele permite comparar métricas de performance, como vazão e tempo de ciclo, entre diferentes profissionais para identificar necessidades de treinamento ou desequilíbrios na carga de trabalho. Por que isso importa Essencial para a 'Taxa de utilização de recursos' e a análise de handoffs. Onde encontrar 'providerid' do athenahealth associado ao nome no diretório de profissionais. Exemplos Dr. SmithEnfermeira JonesTécnico Adams
	Nome do setor DepartmentName	Setor do hospital ou da clínica onde a atividade ocorreu.
Descrição Segmenta os dados do processo por unidade funcional, como emergência, cardiologia ou radiologia. É essencial para o Dashboard 'Vazão e handoffs entre setores'. A análise desse atributo destaca gargalos em áreas específicas e ajuda a otimizar o fluxo de pacientes entre setores. Por que isso importa Fundamental para identificar gargalos organizacionais e ineficiências nos handoffs. Onde encontrar 'departmentid' do athenahealth associado ao nome do setor. Exemplos Pronto-socorroClínica médicaRadiologia
	Tipo de atendimento EncounterType	Classificação da consulta, como presencial, telessaúde ou emergência.
Descrição Define a modalidade ou o contexto do atendimento prestado. Em modelos de dados genéricos, funciona como o 'Tipo de caso'. Cada tipo de atendimento tem fluxos esperados e requisitos de faturamento diferentes. Filtrar por esse atributo é essencial para evitar comparações inadequadas na análise do tempo de ciclo. Por que isso importa Diferencia variantes do processo, como telessaúde e atendimento presencial. Onde encontrar Campo 'encountertype' do athenahealth. Exemplos Consulta presencialTelessaúdeEmergênciaCirurgia
	É retrabalho IsRework	Indicador que informa se esta atividade é uma repetição.
Descrição Indicador booleano que assume o valor verdadeiro quando a atividade ocorre mais de uma vez no mesmo caso. Esse dado dá suporte ao Dashboard 'Frequência de atividades e ciclos de retrabalho'. Permite identificar imediatamente os casos com retrabalho e facilita o cálculo do KPI 'Frequência de atividades com retrabalho'. Por que isso importa Identifica ineficiências do processo e etapas redundantes. Onde encontrar Calculado durante o ETL com base nas ocorrências de atividades por ID do caso. Exemplos truefalse
	Status da solicitação ClaimStatus	Status da solicitação financeira associada ao atendimento.
Descrição Indica a situação da solicitação de faturamento, como enviada, negada ou paga. É relevante para a atividade 'Solicitação enviada' e para a vazão financeira. Ajuda a identificar se problemas na documentação clínica estão causando atrasos financeiros nos processos administrativos. Por que isso importa Relaciona a eficiência clínica à performance do ciclo de receita. Onde encontrar Campo 'claimstatus' do athenahealth. Exemplos FATURADAEM ESPERAENVIADA
	Status do resultado diagnóstico DiagnosticResultStatus	Status do resultado de uma solicitação de exame diagnóstico, como positivo ou normal.
Descrição Registra o resultado geral de um exame. Isso fornece contexto para o 'Prazo de realização de exames diagnósticos' e para as decisões de tratamento posteriores. É usado para analisar se resultados anormais levam a ações posteriores mais rápidas do que resultados normais. Por que isso importa Relaciona o fluxo do processo aos resultados clínicos. Onde encontrar Campos de observação dos resultados laboratoriais do athenahealth. Exemplos NormalAnormalCrítico
	Tipo de solicitação OrderType	Categoria da solicitação, como exame laboratorial, exame de imagem ou receita.
Descrição Classifica as solicitações clínicas feitas durante o episódio. É essencial para o Dashboard 'Prazo de realização de exames diagnósticos'. Permite que analistas meçam os prazos separadamente para exames laboratoriais e de imagem, que costumam ter acordos de nível de serviço e gargalos diferentes. Por que isso importa Segmenta o processo diagnóstico para analisar prazos específicos. Onde encontrar 'ordertype' ou 'class' do athenahealth na API de solicitações. Exemplos Exame laboratorialExame de imagemReceita médicaProcedimento
	Valor total cobrado TotalChargeAmount	Valor cobrado pela atividade ou pelo episódio.
Descrição Valor financeiro associado à atividade ou ao total da solicitação. Permite fazer mineração de processos baseada em custos e analisar o impacto financeiro. É usado para identificar variações de alto custo nos fluxos de tratamento e relacionar a eficiência do processo aos resultados financeiros. Por que isso importa Acrescenta uma dimensão financeira à análise do processo. Onde encontrar 'amount' ou 'totalcharge' do athenahealth nas tabelas de solicitações ou cobranças. Exemplos 150.002500.5045.00

Obrigatório Recomendado Opcional

Atividades da jornada do paciente

Estas são as etapas e os marcos essenciais do processo que você deve registrar no Event Log para identificar oportunidades e otimizar a experiência do paciente.

7 Recomendado 8 Opcional

	Atividade	Descrição
	Avaliação inicial concluída	Indica a conclusão da primeira avaliação clínica, como a triagem ou a avaliação de enfermagem, na qual são registrados os sinais vitais e as queixas principais. Muitas vezes, esse evento é inferido a partir da data e hora da primeira anotação clínica assinada ou do formulário de avaliação concluído para o atendimento.
Por que isso importa Este marco indica o início do atendimento clínico. O tempo entre o check-in e esta atividade é uma medida importante do tempo de espera inicial do paciente e da capacidade de resposta das equipes. Onde encontrar Inferido a partir da data e hora de criação ou assinatura de documentos clínicos específicos ou de planilhas de acompanhamento no athenaClinicals. É necessário identificar os tipos de documento relevantes para a triagem ou admissão. Coleta Identifique a primeira data e hora em uma anotação clínica, planilha de sinais vitais ou formulário específico de admissão do atendimento. Tipo de evento inferred
	Diagnóstico confirmado	Um profissional clínico atribui ou confirma oficialmente um diagnóstico para a condição do paciente no atendimento atual. Isso pode ser inferido pela data e hora de criação ou da última atualização do código do diagnóstico principal, como o ICD-10, associado ao atendimento.
Por que isso importa Este é um marco decisivo que determina o protocolo de tratamento seguinte. Analisar as variações nas atividades posteriores ajuda a entender e padronizar os protocolos de atendimento. Onde encontrar Inferido a partir da lista de problemas do paciente ou dos dados de diagnóstico do atendimento. Uma alteração ou finalização do código de diagnóstico e a data e hora associadas indicam este evento. Coleta Identifique a data e hora em que o diagnóstico principal do atendimento foi incluído ou atualizado. Tipo de evento inferred
	Ordem de alta registrada	Um médico ou prestador de serviços de saúde autorizado registra uma ordem oficial para dar alta ao paciente. Este evento explícito, registrado com data e hora, é criado no módulo CPOE do EHR.
Por que isso importa Esta atividade inicia o processo de alta. O tempo entre a ordem e a alta efetiva é um indicador de performance importante para o 'Tempo de planejamento da alta'. Onde encontrar Localizado na tabela de solicitações. O evento é identificado pelo tipo específico de solicitação 'Discharge' e pela data e hora de criação. Coleta Um novo registro com o tipo de solicitação 'Discharge' é criado na tabela de solicitações. Tipo de evento explicit
	Paciente fez check-in	Esta atividade indica a chegada do paciente e a confirmação de presença para a consulta ou visita agendada. Em geral, é registrada como uma mudança explícita de status no registro da consulta, no athenaClinicals ou no athenaCommunicator.
Por que isso importa Este é o início efetivo da jornada presencial do paciente. É um ponto de partida essencial para medir o tempo de espera e o tempo de ciclo geral do atendimento clínico. Onde encontrar Registrado como uma atualização de status nas tabelas de consultas ou atendimentos. Procure o status 'Checked-In' e a data e hora correspondentes. Coleta Uma mudança de status no objeto de consulta ou atendimento é registrada com data e hora. Tipo de evento explicit
	Paciente recebeu alta	A alta oficial do paciente foi registrada, concluindo a etapa da jornada dentro da instituição. Este é o evento final de ADT de um atendimento com internação, registrado com data e hora exatas.
Por que isso importa Este evento marca o fim da jornada principal do paciente. É o ponto final para medir o 'Tempo de ciclo da jornada do paciente' e é essencial para analisar as reinternações. Onde encontrar Este evento explícito é registrado no sistema ADT ou na tabela de atendimentos do paciente, marcando o status final do atendimento como 'Discharged' e incluindo a data e a hora. Coleta O status do atendimento do paciente é atualizado para 'Discharged' e um evento de ADT é registrado. Tipo de evento explicit
	Procedimento realizado	Um procedimento clínico, como uma cirurgia ou terapia especializada, é realizado no paciente. Este evento explícito é registrado na documentação clínica, muitas vezes com os horários de início e término anotados em um registro do procedimento.
Por que isso importa Os procedimentos são marcos importantes no tratamento do paciente. Analisar as atividades anteriores e posteriores ajuda a otimizar os fluxos de trabalho pré e pós-operatórios. Onde encontrar Registrado em anotações de procedimentos ou em planilhas clínicas específicas no athenaClinicals. A data e a hora do evento são obtidas a partir do horário de início ou término documentado para o procedimento. Coleta Uma anotação ou registro do procedimento é criado com a data e a hora em que ele foi realizado. Tipo de evento explicit
	Resultados do exame recebidos	Os resultados do exame diagnóstico são finalizados e disponibilizados no prontuário do paciente. Em geral, isso é registrado quando o sistema de laboratório ou de imagem envia os resultados ao athenahealth, criando um registro com data e hora.
Por que isso importa O recebimento dos resultados é um gatilho importante para as decisões clínicas seguintes, como o diagnóstico e o planejamento do tratamento. Este evento marca o fim do período usado para medir o tempo de processamento do exame diagnóstico. Onde encontrar Localizado na tabela de resultados ou diagnósticos e vinculado à solicitação original. O evento é marcado pela data e hora em que o resultado foi registrado ou recebido no prontuário do paciente. Coleta Um novo registro de resultado é criado com data e hora, muitas vezes por meio de uma interface com um LIS ou RIS. Tipo de evento explicit
	Amostra coletada	Indica a coleta de uma amostra biológica, como sangue ou urina, do paciente para um exame laboratorial. Em geral, o evento é registrado explicitamente no módulo de laboratório ou como uma atualização do status da solicitação.
Por que isso importa Este é um marco importante no processo de exames diagnósticos. O tempo entre a solicitação, a coleta e a entrega dos resultados pode revelar gargalos significativos nos fluxos de trabalho do laboratório. Onde encontrar Este evento pode aparecer como uma mudança de status na solicitação do exame laboratorial ou como um evento separado em um sistema de informações laboratoriais integrado ao athenahealth. Procure o status 'Collected' e a data e hora correspondentes. Coleta Registrado como uma atualização do status da solicitação do exame laboratorial ou em um módulo específico de rastreamento de amostras. Tipo de evento explicit
	Consulta agendada	Indica o agendamento de uma consulta para um paciente. O evento é registrado explicitamente quando um usuário cria e confirma um novo agendamento no módulo de agendamento athenaCommunicator do athenahealth.
Por que isso importa Esta atividade marca o início de muitas jornadas de pacientes. Analisar o tempo entre o agendamento e o check-in ajuda a entender o acesso dos pacientes e a eficiência antes da consulta. Onde encontrar Este evento é registrado explicitamente nas tabelas de consultas ou agendamentos. Em geral, está associado à data e hora de criação e ao ID do paciente. Coleta O evento é registrado quando uma consulta é criada no módulo de agendamento. Tipo de evento explicit
	Consulta de acompanhamento agendada	Uma consulta de acompanhamento é agendada para o paciente após o tratamento principal ou a alta. O evento é registrado explicitamente quando uma nova consulta é criada no módulo de agendamento athenaCommunicator.
Por que isso importa Esta atividade é importante para entender a coordenação do cuidado após a alta e seu impacto em resultados como as taxas de reinternação. Ela mostra a continuidade do atendimento. Onde encontrar Registrado na tabela de consultas. O evento é identificado pela data e hora de criação de uma consulta marcada para depois da data da alta. Coleta Um novo registro de consulta é criado no sistema de agendamento. Tipo de evento explicit
	Exame diagnóstico solicitado	Um prestador de serviços de saúde solicita um exame diagnóstico, como um exame laboratorial, de imagem ou outro procedimento. Este evento explícito, registrado com data e hora, é criado pela funcionalidade CPOE (Computerized Provider Order Entry) do athenaClinicals.
Por que isso importa Este é um ponto de decisão crítico que inicia um subprocesso diagnóstico. Acompanhar esta atividade é essencial para analisar o indicador de performance 'Tempo entre solicitação e resultado do exame diagnóstico'. Onde encontrar O registro está na tabela de solicitações. Cada solicitação contém um identificador do paciente, o nome e o status do pedido, além da data e hora de criação. Coleta Um novo registro é criado com data e hora na tabela de solicitações do sistema. Tipo de evento explicit
	Medicamento administrado	Um medicamento é administrado fisicamente ao paciente pela equipe clínica. O registro é feito explicitamente no módulo Medication Administration Record (MAR) do athenaClinicals, com a data e a hora exatas de cada dose.
Por que isso importa Esta atividade representa uma intervenção direta no tratamento. Analisar o horário ajuda a medir o 'Tempo até o primeiro tratamento' e a garantir que os horários de administração dos medicamentos sejam seguidos. Onde encontrar Registrado nas tabelas de dados do MAR. Cada evento de administração contém o ID do paciente, o ID do medicamento, a dosagem e a data e hora da administração. Coleta Um registro com data e hora é criado no MAR sempre que a administração de um medicamento é documentada. Tipo de evento explicit
	Paciente transferido	O paciente é transferido de uma unidade de atendimento ou departamento para outro, por exemplo, do pronto-socorro para uma unidade de internação. O evento é registrado explicitamente como um evento de admissão, alta ou transferência (ADT) no EHR.
Por que isso importa Esta atividade é essencial para analisar os handoffs entre departamentos e o fluxo de pacientes na instituição. Ela ajuda a identificar gargalos no 'Tempo de handoff do paciente' e na alocação de recursos. Onde encontrar Registrado no Event Log de ADT ou nas tabelas de acompanhamento de pacientes. Cada evento de transferência inclui o paciente, os locais de origem e destino e a data e hora. Coleta Uma mensagem ou entrada de Event Log de ADT é gerada com data e hora quando o paciente é transferido. Tipo de evento explicit
	Plano de tratamento elaborado	Indica a criação e a documentação formal do plano de tratamento do paciente por um profissional clínico. Pode ser registrado quando um documento específico de 'Plano de cuidados' é criado ou assinado, ou quando um conjunto de solicitações de tratamento relacionadas é criado.
Por que isso importa Esta atividade formaliza o protocolo clínico planejado. É um ponto importante para medir a conformidade com os protocolos padrão e analisar variações no atendimento. Onde encontrar Provavelmente registrado nas tabelas de documentos clínicos ou de solicitações. Este evento corresponde à data e hora da assinatura de uma anotação do plano de cuidados ou do envio de um conjunto coordenado de solicitações de tratamento. Coleta O evento corresponde à data e hora de criação ou finalização de um documento específico de plano de tratamento ou de um conjunto de solicitações. Tipo de evento explicit
	Reivindicação enviada	Uma reivindicação pelos serviços prestados durante o atendimento do paciente é gerada e enviada à operadora. Este evento explícito ocorre no módulo de gerenciamento do ciclo de receita athenaCollector.
Por que isso importa Embora seja uma etapa administrativa, esta atividade é essencial para analisar o ciclo de receita, que ocorre em paralelo à jornada clínica. Ela ajuda a identificar atrasos entre o atendimento clínico e o faturamento. Onde encontrar Encontrado nas tabelas de solicitações ou faturamento. O evento é identificado pelo registro de data e hora da criação ou do envio da solicitação. Coleta Um registro de solicitação é criado e seu status é atualizado para 'Enviada', com o registro de data e hora. Tipo de evento explicit

Recomendado Opcional

Guias de extração

Como obter seus dados do athenahealth

Etapas

Acesse o portal athenaNet com suas credenciais seguras.
No menu principal, abra o módulo Reports, geralmente em 'Reports' > 'Report Builder' ou 'Custom Reports'.
Clique em 'Create New Report' e selecione 'Encounters' ou 'Patient Visit' como categoria principal do relatório. Assim, os dados detalhados ficam centrados no episódio específico do paciente.
Na área de seleção de 'Columns' ou 'Fields', procure e adicione Patient Identifier (Patient ID) e Encounter Identifier (Encounter ID) para usar como identificador do caso.
Adicione as colunas demográficas e de contexto necessárias como atributos, por exemplo, Department, Provider Name, Patient Age e Primary Diagnosis Code.
Adicione as colunas de data e hora correspondentes às atividades. Talvez seja necessário procurar em diferentes grupos de campos, como 'Scheduling' para Appointment Scheduled, 'Check-in' para Check-in Time e 'Billing' para Claim Submitted. Quando disponível, selecione o formato 'Date and Time', não apenas Date.
Aplique filtros à configuração do relatório. Defina o intervalo de 'Encounter Date' para o período de análise desejado, por exemplo, Last 6 Months, e exclua consultas 'Cancelled' ou 'No Show' para analisar jornadas concluídas.
Clique em 'Run Report' para visualizar os dados. Confira se as colunas contêm dados e não estão totalmente vazias.
Selecione 'Export' e escolha 'CSV' (Comma Separated Values) como formato. Não use os recursos de formatação do Excel/XLSX, pois eles dificultam o processamento.
Salve o arquivo localmente como 'athena_raw_export.csv'.
Como o relatório exporta uma linha por atendimento e várias colunas de data (formato largo), você precisa reorganizar os dados em um Event Log (formato longo). Use o script Python fornecido na seção Query para fazer essa transformação.
Execute o script para gerar o arquivo final 'process_mining_event_log.csv' e carregue esse arquivo no ProcessMind.

Configuração

Categoria do relatório: Escolha 'Encounter Activity' ou 'Clinicals' como categoria base para capturar a maioria das etapas do fluxo de trabalho clínico.
Intervalo de datas: Limite a extração inicial a 3 a 6 meses para evitar que o relatório exceda o tempo limite ou o limite de linhas, geralmente em torno de 50.000 linhas nas visualizações padrão.
Seleção de colunas: Selecione explicitamente os campos de data e hora. Prefira 'Check-in Date/Time' em vez de campos calculados, como 'Days since check-in'.
Tratamento de valores nulos: Configure o relatório para exibir células vazias quando faltarem dados, em vez de textos personalizados como 'N/A'. Isso facilita o processamento pelo script.
Filtro por departamento: Se a organização for grande, filtre por locais de atendimento ou departamentos específicos, como 'Cardiology' ou 'Orthopedics', para manter o conjunto de dados focado.
Permissões: Para acessar o Custom Report Builder no athenaNet, o usuário precisa ter permissões de 'Report Creator' ou 'Clinical Reporting'.

a Consulta de exemplo 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}")

Etapas

Registre um aplicativo de API: Acesse o Developer Portal da athenahealth e registre um novo aplicativo para obter seu Client ID e Client Secret. Verifique se o aplicativo tem escopos para Appointments, Clinicals (Charts), Orders e Billing (Claims).
Configure o ambiente Python: Instale as bibliotecas Python necessárias (requests, pandas) no ambiente de execução usando pip install requests pandas.
Autentique-se: Implemente o fluxo OAuth 2.0 Client Credentials para obter um token de acesso. Inclua esse token no cabeçalho Authorization (Bearer token) de todas as chamadas de API seguintes.
Defina o escopo: Informe o Practice ID e o intervalo de datas da extração. As APIs da athenahealth são específicas para cada consultório, então você precisa percorrer os IDs dos consultórios se gerenciar mais de um.
Extraia os agendamentos: Consulte o endpoint /appointments/booked ou /appointments/changed para obter os atendimentos de referência. Associe o ID do agendamento ao PatientEpisodeId. Extraia 'Appointment Scheduled' da data de criação e 'Patient Checked In' do horário de check-in.
Percorra os atendimentos para obter eventos clínicos: Para cada ID de agendamento (atendimento), consulte os subendpoints clínicos. Chame /chart/{encounterId}/vitals para obter 'Initial Assessment Completed'. Chame /chart/{encounterId}/orders para obter 'Diagnostic Test Ordered', 'Specimen Collected' (com base no status) e 'Discharge Order Written'.
Obtenha resultados e diagnósticos: Consulte /chart/{encounterId}/analyteresults ou /chart/{encounterId}/labresults para obter 'Test Results Received'. Consulte /chart/{encounterId}/diagnoses para obter 'Diagnosis Confirmed'.
Extraia tratamentos e procedimentos: Consulte /chart/{encounterId}/plan para obter 'Treatment Plan Developed'. Consulte /chart/{encounterId}/procedures para obter 'Procedure Performed'. Consulte /chart/{encounterId}/medications/admin para obter 'Medication Administered'.
Identifique ADT e contas: Use o histórico de status do agendamento ou endpoints hospitalares específicos, se disponíveis, para registrar 'Patient Transferred' e 'Patient Discharged'. Consulte /claims relacionados ao agendamento para extrair 'Claim Submitted'.
Associe os acompanhamentos: Identifique 'Follow-Up Appointment Scheduled' procurando agendamentos posteriores criados para o mesmo ID de paciente dentro do período do atendimento.
Transforme e achate os dados: Converta as respostas JSON aninhadas em uma lista simples de dicionários de eventos. Converta todas as datas e horas para o formato ISO 8601. Mapeie os campos para ActivityName, PatientEpisodeId e EventTimestamp.
Exporte os dados: Carregue a lista de dicionários em um DataFrame do pandas, faça a limpeza final (incluindo o tratamento de valores nulos) e exporte para um arquivo CSV pronto para ingestão no ProcessMind.

Configuração

Credenciais da API: É necessário ter um Client ID e um Secret válidos do Developer Portal da athenahealth, com acesso à produção.
Practice ID: Identificador numérico exclusivo do consultório médico. Se a extração abranger uma rede, execute o script para cada consultório.
Intervalo de datas: Recomenda-se extrair de 3 a 6 meses, devido ao volume de dados clínicos detalhados.
Limite de requisições: A API athenaOne tem limites rigorosos, por exemplo, 5 chamadas por segundo. O script inclui uma função de espera, mas extrações em escala empresarial devem implementar espera exponencial.
Escopos: Verifique se o token tem os escopos athena/service/Athenanet.MDP.* ou escopos específicos para agendamentos, prontuários e dados financeiros.
Paginação: A maioria dos endpoints retorna um número limitado de registros, 1.000 por padrão. O script precisa tratar os parâmetros next ou offset.
Filtro por departamento: Para analisar fluxos específicos, como emergência ou atendimento ambulatorial, filtre pelo ID do departamento durante a etapa de busca dos agendamentos.

a Consulta de exemplo 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()

Pronto para começar?

Comece a otimizar o atendimento ao paciente. Este Template é o primeiro passo para descobrir insights valiosos e melhorar os resultados na área da saúde.

Voltar ao guia de melhoria Baixar Template

Otimize agora a jornada do paciente e elimine gargalos

Identifique ineficiências no athenahealth e reduza em 30% o tempo de ciclo da jornada do paciente.

Começar o teste grátis

Não é necessário informar os dados do cartão de crédito. Comece a otimizar hoje.

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 personalizada de CSV pelo Report Builder do athenaNet

Etapas

Configuração

a Consulta de exemplo python

Extração de eventos da API athenaOne com Python

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Otimize agora a jornada do paciente e elimine gargalos

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 personalizada de CSV pelo Report Builder do athenaNet

Etapas

Configuração

a Consulta de exemplo python

Extração de eventos da API athenaOne com Python

Etapas

Configuração

a Consulta de exemplo python

Pronto para começar?

Otimize agora a jornada do paciente e elimine gargalos

Sua privacidade é importante para nós