> การปรับปรุงกระบวนการอย่างต่อเนื่อง > เส้นทางผู้ป่วย > athenahealth > เทมเพลตข้อมูล

เทมเพลตข้อมูลเส้นทางการดูแลผู้ป่วยของคุณ

athenahealth

คุณลักษณะของเส้นทางการดูแลผู้ป่วย(19) กิจกรรมในเส้นทางการดูแลผู้ป่วย(15) คู่มือการดึงข้อมูล(2)

เทมเพลตข้อมูลเส้นทางการดูแลผู้ป่วยของคุณ

เทมเพลตนี้แนะนำวิธีรวบรวมข้อมูลที่จำเป็นสำหรับวิเคราะห์เส้นทางการดูแลผู้ป่วย โดยระบุคุณลักษณะและกิจกรรมสำคัญที่ควรติดตาม พร้อมคำแนะนำที่ชัดเจนในการดึงข้อมูลจาก athenahealth ใช้ทรัพยากรนี้เตรียมข้อมูลให้พร้อมสำหรับการวิเคราะห์ process mining.

คุณลักษณะที่แนะนำให้รวบรวม
กิจกรรมสำคัญที่ควรติดตาม
คำแนะนำการดึงข้อมูลจาก athenahealth

เพิ่งเริ่มใช้บันทึกเหตุการณ์ใช่ไหม เรียนรู้ วิธีสร้าง event log สำหรับ process mining.

ดาวน์โหลดเทมเพลต

คุณลักษณะของเส้นทางการดูแลผู้ป่วย

ฟิลด์ข้อมูลเหล่านี้แนะนำให้ใส่ไว้ในบันทึกเหตุการณ์ เพื่อให้วิเคราะห์และทำความเข้าใจเส้นทางการดูแลผู้ป่วยได้อย่างครบถ้วน.

5 จำเป็น 9 แนะนำ 5 ไม่บังคับ

	ชื่อ	คำอธิบาย
	ช่วงการดูแลผู้ป่วย PatientEpisodeId	รหัสเฉพาะของช่วงการดูแลหรือเส้นทางการรักษาของผู้ป่วยแต่ละราย.
คำอธิบาย แอตทริบิวต์นี้ทำหน้าที่เป็น Case Identifier หลัก โดยจัดกลุ่มกิจกรรมทั้งหมดที่เกี่ยวข้องกับช่วงการดูแลหรือภาวะของผู้ป่วยรายหนึ่งเข้าด้วยกัน และเชื่อมเหตุการณ์ต่างๆ เช่น การนัดหมาย คำสั่งตรวจวินิจฉัย และการจำหน่ายผู้ป่วย ให้เป็นเส้นทางการดูแลเดียวกัน ในการวิเคราะห์ รหัสนี้เป็นคีย์หลักสำหรับ process mining ช่วยสร้างลำดับงานตั้งแต่ต้นจนจบ และแยกการรับบริการหลายครั้งของผู้ป่วยคนเดียวกันที่เกิดจากคนละภาวะให้เป็นอินสแตนซ์กระบวนการคนละรายการ. เหตุผลที่สำคัญ จำเป็นสำหรับกำหนดขอบเขตของอินสแตนซ์กระบวนการแต่ละรายการในการวิเคราะห์. แหล่งข้อมูล ได้จากการจัดกลุ่ม Encounter ID หรือเชื่อมโยงกับ Episode of Care ID ที่ระบุใน athenahealth. ตัวอย่าง EP-2023-88491EP-2023-99102ENC-55412-GRP
	ชื่อกิจกรรม ActivityName	ชื่อเหตุการณ์หรืองานที่ดำเนินการในเส้นทางการดูแลผู้ป่วย.
คำอธิบาย ระบุขั้นตอนที่เกิดขึ้นในกระบวนการ เช่น 'ผู้ป่วยเช็กอินแล้ว' 'สั่งตรวจวินิจฉัยแล้ว' หรือ 'ให้ยาแล้ว' ข้อความนี้ใช้กำหนดโหนดในแผนผังกระบวนการ ใช้แสดงลำดับงานและระบุลำดับของกิจกรรม การตั้งชื่อให้เป็นมาตรฐานช่วยให้แผนผังกระบวนการอ่านง่ายและไม่มีกลุ่มกิจกรรมที่ยังไม่ได้จัดหมวดหมู่. เหตุผลที่สำคัญ ใช้กำหนดขั้นตอนในแผนผังกระบวนการ และจำเป็นสำหรับ process mining ทุกกรณี. แหล่งข้อมูล ได้จากบันทึกการตรวจสอบ การเปลี่ยนสถานะนัดหมาย หรือคำอธิบายรายการเคลม. ตัวอย่าง นัดหมายผู้ป่วยแล้วผู้ป่วยลงทะเบียนเข้ารับบริการแล้วสั่งตรวจวินิจฉัยแล้วจำหน่ายผู้ป่วยแล้ว
	ระบบต้นทาง SourceSystem	ชื่อระบบที่เป็นแหล่งที่มาของข้อมูล.
คำอธิบาย ระบุระบบ IT ที่สร้างระเบียน ในกรณีนี้คือ 'athenahealth' ซึ่งมีประโยชน์เป็นพิเศษเมื่อใช้ข้อมูลจากหลายระบบร่วมกัน ช่วยให้นักวิเคราะห์กรองมุมมองตามแหล่งข้อมูล และตรวจสอบปัญหาคุณภาพข้อมูลที่เกิดจากระบบใดระบบหนึ่งได้. เหตุผลที่สำคัญ ช่วยระบุที่มาของข้อมูลและให้บริบทเมื่อตั้งค่า process mining จากหลายระบบ. แหล่งข้อมูล ค่าคงที่ที่กำหนดไว้ในระบบหรือ ID การตั้งค่าระบบ. ตัวอย่าง athenahealthAthenaOneAthenaPractice
	เวลาประทับเหตุการณ์ EventTimestamp	วันที่และเวลาที่กิจกรรมเกิดขึ้น.
คำอธิบาย บันทึกเวลาที่กิจกรรมเกิดขึ้นอย่างแม่นยำ ใช้เรียงเหตุการณ์ตามลำดับเวลาและคำนวณระยะเวลาระหว่างขั้นตอน จำเป็นต่อการวิเคราะห์ตามเวลา เช่น ระยะเวลารอบงาน เวลารอ และปริมาณงานที่ดำเนินการได้ ควรใช้เวลาที่มีความละเอียดสูงเพื่อแยกลำดับเหตุการณ์ที่เกิดขึ้นในวันเดียวกัน. เหตุผลที่สำคัญ จำเป็นสำหรับเรียงลำดับเหตุการณ์และคำนวณ KPI ที่อิงตามเวลา. แหล่งข้อมูล ฟิลด์เวลาในข้อมูลที่เกี่ยวข้องกับการเปลี่ยนสถานะหรือวันที่สร้างรายการในตาราง athenahealth. ตัวอย่าง 2023-10-12T08:30:00Z2023-10-12T09:15:22Z2023-10-15T14:20:00Z
	อัปเดตข้อมูลล่าสุด LastDataUpdate	เวลาที่ดึงหรือรีเฟรชข้อมูลครั้งล่าสุด.
คำอธิบาย ระบุว่าข้อมูลที่ใช้วิเคราะห์เป็นข้อมูลล่าสุดเพียงใด ช่วยให้ผู้ใช้ทราบว่ากำลังดูข้อมูลแบบเรียลไทม์หรือข้อมูลย้อนหลัง ณ ช่วงเวลาหนึ่ง ใช้จัดการไปป์ไลน์ข้อมูลและตรวจสอบให้แน่ใจว่าแดชบอร์ดแสดงสถานะกระบวนการล่าสุด. เหตุผลที่สำคัญ สำคัญต่อการกำกับดูแลข้อมูลและความเชื่อมั่นของผู้ใช้ว่าข้อมูลในแดชบอร์ดเป็นปัจจุบัน. แหล่งข้อมูล เวลาของระบบขณะเรียกใช้ ETL. ตัวอย่าง 2023-11-01T12:00:00Z2023-11-02T06:00:00Z
	กลุ่มอายุผู้ป่วย PatientAgeGroup	การจัดกลุ่มอายุผู้ป่วยเป็นช่วง เช่น 18-25 หรือ 65 ปีขึ้นไป.
คำอธิบาย แบ่งผู้ป่วยเป็นกลุ่มประชากรตามอายุ ซึ่งจำเป็นโดยตรงสำหรับแดชบอร์ด 'การเปรียบเทียบเส้นทางการดูแลตามกลุ่มอายุและการวินิจฉัย' ช่วยระบุว่าความไม่มีประสิทธิภาพหรือผลลัพธ์ของกระบวนการส่งผลต่อผู้ป่วยบางช่วงอายุเป็นพิเศษหรือไม่ เช่น ผู้สูงอายุหรือผู้ป่วยเด็ก. เหตุผลที่สำคัญ การแบ่งกลุ่มประชากรตามมาตรฐานสำหรับวิเคราะห์กระบวนการด้านสุขภาพ. แหล่งข้อมูล คำนวณจากวันเกิดผู้ป่วยและ StartTime. ตัวอย่าง 18-2930-4965+
	ชื่อผู้ให้บริการ ProviderName	ชื่อบุคลากรทางการแพทย์ที่ดำเนินกิจกรรม.
คำอธิบาย ระบุแพทย์ พยาบาล หรือช่างเทคนิคที่รับผิดชอบเหตุการณ์นั้นโดยเฉพาะ แอตทริบิวต์นี้เป็นข้อมูลหลักสำหรับวิเคราะห์การใช้ทรัพยากร ช่วยเปรียบเทียบตัวชี้วัด เช่น ปริมาณงานที่ดำเนินการได้และระยะเวลารอบงาน ระหว่างบุคลากรแต่ละคน เพื่อระบุความต้องการด้านการฝึกอบรมหรือความไม่สมดุลของภาระงาน. เหตุผลที่สำคัญ ใช้วิเคราะห์ 'อัตราการใช้ทรัพยากร' และการส่งต่องาน. แหล่งข้อมูล นำ 'providerid' ใน athenahealth ไปค้นหาชื่อจากไดเรกทอรีผู้ให้บริการ. ตัวอย่าง นพ. Smithพยาบาล Jonesช่างเทคนิค Adams
	ชื่อแผนก DepartmentName	แผนกของโรงพยาบาลหรือคลินิกที่ดำเนินกิจกรรม.
คำอธิบาย แบ่งข้อมูลกระบวนการตามหน่วยงาน เช่น ห้องฉุกเฉิน แผนกโรคหัวใจ หรือรังสีวิทยา ซึ่งจำเป็นสำหรับแดชบอร์ด 'ปริมาณงานและการส่งต่องานระหว่างแผนก' การวิเคราะห์ด้วยแอตทริบิวต์นี้ช่วยระบุคอขวดในแต่ละพื้นที่และปรับปรุงการไหลเวียนของผู้ป่วยระหว่างแผนก. เหตุผลที่สำคัญ สำคัญต่อการระบุคอขวดขององค์กรและความไม่มีประสิทธิภาพในการส่งต่องาน. แหล่งข้อมูล นำ 'departmentid' ใน athenahealth ไปค้นหาชื่อแผนก. ตัวอย่าง แผนกฉุกเฉินอายุรกรรมรังสีวิทยา
	ประเภทการรับบริการ EncounterType	ประเภทของการมารับบริการ เช่น ตรวจที่คลินิก รับบริการทางไกล หรือห้องฉุกเฉิน.
คำอธิบาย ระบุรูปแบบหรือสถานที่ให้บริการด้านสุขภาพ โดยใช้เป็น 'ประเภทเคส' ในโมเดลข้อมูลทั่วไป การรับบริการแต่ละประเภทมีลำดับงานและข้อกำหนดการเรียกเก็บเงินที่คาดหวังต่างกัน จึงควรกรองด้วยแอตทริบิวต์นี้ก่อนวิเคราะห์ระยะเวลารอบงาน เพื่อให้เปรียบเทียบกรณีที่ใกล้เคียงกัน. เหตุผลที่สำคัญ แยกกระบวนการแต่ละรูปแบบ เช่น รับบริการทางไกลกับรับบริการที่สถานพยาบาล. แหล่งข้อมูล ฟิลด์ 'encountertype' ใน athenahealth. ตัวอย่าง ตรวจที่คลินิกบริการทางไกลห้องฉุกเฉินผ่าตัด
	เป็นการกลับเข้ารักษาหรือไม่ IsReadmission	ตัวบ่งชี้ว่าช่วงการดูแลนี้เป็นการกลับมารับบริการโดยไม่ได้นัดหมายหรือไม่.
คำอธิบาย ตัวบ่งชี้แบบบูลีนที่ระบุว่าผู้ป่วยกลับเข้ารักษาในโรงพยาบาลภายในระยะเวลาที่กำหนด เช่น 30 วัน หลังจากจำหน่ายครั้งก่อนหรือไม่ ข้อมูลนี้รองรับ KPI 'เปอร์เซ็นต์การกลับเข้ารักษาในโรงพยาบาลโดยไม่ได้นัดหมาย' เมื่อนักวิเคราะห์กรองด้วยแอตทริบิวต์นี้ ก็สามารถเจาะลึกลงหนึ่งระดับเพื่อหาสาเหตุของการกลับเข้ารักษาและระบุรูปแบบในแนวทางการรักษาครั้งแรกได้. เหตุผลที่สำคัญ รองรับ KPI อัตราการกลับเข้ารักษาโดยตรง. แหล่งข้อมูล คำนวณระหว่าง ETL โดยเปรียบเทียบวันที่รับเข้าโรงพยาบาลกับวันที่จำหน่ายครั้งก่อน. ตัวอย่าง truefalse
	รหัสการวินิจฉัยหลัก PrimaryDiagnosisCode	รหัส ICD-10 หลักที่เชื่อมโยงกับช่วงการดูแล.
คำอธิบาย จัดประเภทเหตุผลทางคลินิกของเส้นทางการดูแลผู้ป่วย และให้บริบทที่จำเป็นสำหรับ 'การเปรียบเทียบเส้นทางการดูแลตามกลุ่มอายุและการวินิจฉัย' นักวิเคราะห์ใช้ข้อมูลนี้แบ่งเส้นทางการดูแลตามภาวะ เช่น ปอดบวมหรือกระดูกหัก เพราะแต่ละภาวะมีแนวทางการดูแลและระยะเวลารอบงานที่คาดหวังแตกต่างกันมาก. เหตุผลที่สำคัญ ช่วยเปรียบเทียบเคสที่มีลักษณะใกล้เคียงกัน เพราะระยะเวลารอบงานแตกต่างกันมากตามการวินิจฉัย. แหล่งข้อมูล ฟิลด์การวินิจฉัยใน Encounter หรือ Claim (ICD-10). ตัวอย่าง J18.9I10E11.9
	รหัสผู้ป่วย PatientId	รหัสเฉพาะของผู้ป่วยที่ผ่านการปกปิดตัวตนหรือแฮชแล้ว.
คำอธิบาย ใช้ระบุผู้รับบริการหรือผู้ป่วยที่อยู่ในเส้นทางการดูแลแต่ละรายโดยเฉพาะ แม้จะคล้ายกับรหัสเคส แต่ผู้ป่วยหนึ่งคนอาจมีหลายช่วงการดูแลในเวลาต่างกัน ใช้เชื่อมโยงการมารับบริการซ้ำและวิเคราะห์อัตราการกลับเข้ารักษา จำเป็นสำหรับ KPI 'เปอร์เซ็นต์การกลับเข้ารักษาในโรงพยาบาลโดยไม่ได้นัดหมาย'. เหตุผลที่สำคัญ จำเป็นสำหรับติดตามการกลับเข้ารักษาและประวัติผู้ป่วยในแต่ละช่วงการดูแล. แหล่งข้อมูล ฟิลด์ 'patientid' ใน athenahealth. ตัวอย่าง PAT-100234PAT-559201PAT-992210
	เวลาสิ้นสุดเหตุการณ์ EventEndTime	เวลาที่กิจกรรมเสร็จสิ้น.
คำอธิบาย บันทึกเวลาที่กิจกรรมเสร็จสิ้น เพื่อคำนวณระยะเวลาที่ใช้ดำเนินขั้นตอนนั้นจริง ซึ่งแยกจากเวลาที่รอก่อนเริ่มกิจกรรม ใช้วิเคราะห์ประสิทธิภาพการใช้ทรัพยากรและระบุงานที่ใช้เวลาดำเนินการด้วยตนเองนานกว่าที่คาดไว้. เหตุผลที่สำคัญ ช่วยคำนวณเวลาในการดำเนินงานจริงเทียบกับเวลารอ. แหล่งข้อมูล เวลาเช็กเอาต์ เวลายืนยันผล หรือเวลาที่ระบุว่ากิจกรรมเสร็จสิ้นใน athenahealth. ตัวอย่าง 2023-10-12T09:00:00Z2023-10-12T10:45:00Z
	สถานที่หรือสถานะเมื่อจำหน่ายผู้ป่วย DischargeDisposition	ปลายทางหรือสถานะของผู้ป่วยเมื่อจำหน่าย.
คำอธิบาย ระบุว่าผู้ป่วยไปที่ใดหลังสิ้นสุดช่วงการดูแล เช่น 'บ้าน' 'สถานพยาบาลดูแลผู้ป่วยระยะพักฟื้น' หรือ 'สถานดูแลผู้ป่วยระยะสุดท้าย' ข้อมูลนี้สำคัญสำหรับ 'การวางแผนจำหน่ายและแนวโน้มการกลับเข้ารักษา' ช่วยให้เห็นความซับซ้อนของการวางแผนจำหน่ายที่จำเป็น และประเมินประสิทธิผลของการเปลี่ยนผ่านการดูแล. เหตุผลที่สำคัญ เป็นบริบทสำคัญสำหรับการวางแผนจำหน่ายและประเมินความเสี่ยงในการกลับเข้ารักษา. แหล่งข้อมูล ฟิลด์การรับบริการใน athenahealth หรือระเบียนการจำหน่ายผู้ป่วยของโรงพยาบาล. ตัวอย่าง บ้านสถานพยาบาลดูแลผู้ป่วยระยะพักฟื้นย้ายไปโรงพยาบาลระยะสั้นเสียชีวิต
	ประเภทคำสั่ง OrderType	หมวดหมู่ของคำสั่ง เช่น ตรวจทางห้องปฏิบัติการ ตรวจภาพวินิจฉัย หรือใบสั่งยา.
คำอธิบาย จัดประเภทคำสั่งทางคลินิกที่ออกในช่วงการดูแล ซึ่งจำเป็นสำหรับแดชบอร์ด 'ระยะเวลารอรับการตรวจวินิจฉัย' ช่วยให้นักวิเคราะห์วัดระยะเวลารอแยกตามการตรวจทางห้องปฏิบัติการและการตรวจภาพวินิจฉัย ซึ่งมักมีข้อตกลงระดับการให้บริการและคอขวดที่แตกต่างกัน. เหตุผลที่สำคัญ แบ่งกระบวนการตรวจวินิจฉัยเพื่อวิเคราะห์ระยะเวลารอของแต่ละประเภท. แหล่งข้อมูล ฟิลด์ 'ordertype' หรือ 'class' ใน API คำสั่งของ athenahealth. ตัวอย่าง การตรวจทางห้องปฏิบัติการการตรวจภาพวินิจฉัยใบสั่งยาหัตถการ
	เป็นการทำงานซ้ำหรือไม่ IsRework	ตัวบ่งชี้ว่ากิจกรรมนี้เกิดขึ้นซ้ำหรือไม่.
คำอธิบาย ตัวบ่งชี้แบบบูลีนที่เป็นจริงเมื่อกิจกรรมเกิดขึ้นมากกว่าหนึ่งครั้งในเคสเดียวกัน รองรับแดชบอร์ด 'ความถี่ของกิจกรรมและวงจรการทำงานซ้ำ' ช่วยแยกเคสที่มีการทำงานซ้ำได้ทันที และคำนวณ KPI 'ความถี่ของกิจกรรมที่ต้องทำซ้ำ' ได้. เหตุผลที่สำคัญ ช่วยระบุความไม่มีประสิทธิภาพของกระบวนการและขั้นตอนที่ซ้ำซ้อน. แหล่งข้อมูล คำนวณระหว่าง ETL โดยนับจำนวนครั้งที่กิจกรรมเกิดขึ้นในแต่ละ CaseId. ตัวอย่าง truefalse
	ยอดเรียกเก็บเงินรวม TotalChargeAmount	จำนวนเงินที่เรียกเก็บสำหรับกิจกรรมหรือช่วงการดูแล.
คำอธิบาย มูลค่าทางการเงินของกิจกรรมหรือยอดเคลมทั้งหมด ช่วยให้ทำ process mining โดยพิจารณาต้นทุนและวิเคราะห์ผลกระทบทางการเงินได้ ใช้ระบุแนวทางการรักษาที่มีต้นทุนสูง และเชื่อมโยงประสิทธิภาพของกระบวนการกับผลลัพธ์ทางการเงิน. เหตุผลที่สำคัญ เพิ่มมิติด้านการเงินให้กับการวิเคราะห์กระบวนการ. แหล่งข้อมูล ฟิลด์ 'amount' หรือ 'totalcharge' ในตารางเคลมหรือค่าใช้จ่ายของ athenahealth. ตัวอย่าง 150.002500.5045.00
	สถานะเคลม ClaimStatus	สถานะของเคลมค่าใช้จ่ายที่เกี่ยวข้องกับการดูแล.
คำอธิบาย ระบุสถานะของเคลมเรียกเก็บเงิน เช่น 'ส่งแล้ว' 'ถูกปฏิเสธ' หรือ 'ชำระแล้ว' ข้อมูลนี้เกี่ยวข้องกับกิจกรรม 'ส่งเคลม' และปริมาณงานด้านการเงิน ช่วยระบุว่าปัญหาเอกสารทางคลินิกทำให้การดำเนินงานด้านการเงินล่าช้าหรือไม่. เหตุผลที่สำคัญ เชื่อมโยงประสิทธิภาพด้านคลินิกกับผลการดำเนินงานของวงจรรายได้. แหล่งข้อมูล ฟิลด์ 'claimstatus' ใน athenahealth. ตัวอย่าง เรียกเก็บเงินแล้วระงับไว้ส่งเคลมแล้ว
	สถานะผลตรวจวินิจฉัย DiagnosticResultStatus	สถานะผลลัพธ์ของคำสั่งตรวจวินิจฉัย เช่น ผลบวกหรือปกติ.
คำอธิบาย บันทึกผลตรวจในภาพรวม เพื่อให้บริบทสำหรับ 'ระยะเวลารอรับการตรวจวินิจฉัย' และการตัดสินใจรักษาขั้นต่อไป ใช้วิเคราะห์ว่าผลตรวจที่ผิดปกตินำไปสู่การดำเนินการขั้นต่อไปเร็วกว่าเมื่อเทียบกับผลปกติหรือไม่. เหตุผลที่สำคัญ เชื่อมโยงลำดับกระบวนการกับผลลัพธ์ทางคลินิก. แหล่งข้อมูล ฟิลด์ผลตรวจทางห้องปฏิบัติการใน athenahealth. ตัวอย่าง ปกติผิดปกติวิกฤต

จำเป็น แนะนำ ไม่บังคับ

กิจกรรมในเส้นทางการดูแลผู้ป่วย

ขั้นตอนและหมุดหมายสำคัญของกระบวนการที่ควรบันทึกในบันทึกเหตุการณ์ เพื่อค้นหาและปรับปรุงประสบการณ์ผู้ป่วยได้อย่างแม่นยำ.

7 แนะนำ 8 ไม่บังคับ

	กิจกรรม	คำอธิบาย
	เขียนคำสั่งจำหน่ายผู้ป่วยแล้ว	แพทย์หรือผู้ให้บริการที่ได้รับอนุญาตเขียนคำสั่งอย่างเป็นทางการเพื่อจำหน่ายผู้ป่วยออกจากการดูแล เหตุการณ์นี้สร้างในโมดูล CPOE ของ EHR และบันทึกเวลาไว้อย่างชัดเจน.
เหตุผลที่สำคัญ กิจกรรมนี้เริ่มกระบวนการจำหน่ายผู้ป่วย ระยะเวลาตั้งแต่เขียนคำสั่งจนถึงจำหน่ายจริงเป็นตัวชี้วัดผลการดำเนินงานสำคัญของ 'ระยะเวลาวางแผนจำหน่ายผู้ป่วย'. แหล่งข้อมูล ค้นหาได้ในตารางคำสั่งตรวจ โดยระบุเหตุการณ์จากประเภทคำสั่ง 'Discharge' และเวลาที่สร้างรายการ. บันทึก ระบบสร้างรายการใหม่ประเภทคำสั่ง 'Discharge' ในตารางคำสั่งตรวจ. ประเภทเหตุการณ์ explicit
	จำหน่ายผู้ป่วยแล้ว	ผู้ป่วยได้รับการจำหน่ายอย่างเป็นทางการ และสิ้นสุดการรักษาในสถานพยาบาล เหตุการณ์นี้เป็นรายการ ADT สุดท้ายของการเข้ารักษาแบบผู้ป่วยใน และบันทึกเวลาที่แน่นอนไว้.
เหตุผลที่สำคัญ เหตุการณ์นี้เป็นจุดสิ้นสุดของเส้นทางการรักษาหลักของผู้ป่วย ใช้เป็นจุดสิ้นสุดในการวัด 'ระยะเวลาดำเนินเส้นทางการรักษาผู้ป่วยโดยรวม' และจำเป็นต่อการวิเคราะห์การกลับเข้ารักษาซ้ำ. แหล่งข้อมูล เหตุการณ์นี้บันทึกไว้อย่างชัดเจนในระบบ ADT หรือตารางการเข้ารับบริการของผู้ป่วย โดยระบุสถานะสุดท้ายของการเข้ารับบริการเป็น 'Discharged' พร้อมเวลาที่เกิดเหตุการณ์. บันทึก ระบบอัปเดตสถานะการเข้ารับบริการของผู้ป่วยเป็น 'Discharged' และบันทึกเหตุการณ์ ADT. ประเภทเหตุการณ์ explicit
	ดำเนินหัตถการแล้ว	ผู้ป่วยได้รับหัตถการทางคลินิก เช่น การผ่าตัดหรือการบำบัดเฉพาะทาง เหตุการณ์นี้บันทึกไว้อย่างชัดเจนในเอกสารทางคลินิก โดยมักระบุเวลาเริ่มต้นและสิ้นสุดไว้ในบันทึกหัตถการ.
เหตุผลที่สำคัญ หัตถการเป็นเหตุการณ์สำคัญในการรักษาผู้ป่วย การวิเคราะห์กิจกรรมก่อนและหลังหัตถการช่วยปรับเวิร์กโฟลว์ก่อนและหลังการผ่าตัดให้มีประสิทธิภาพขึ้น. แหล่งข้อมูล ค้นหาได้ในบันทึกหัตถการหรือ flowsheet ทางคลินิกเฉพาะใน athenaClinicals เวลาของเหตุการณ์อ้างอิงจากเวลาเริ่มต้นหรือสิ้นสุดหัตถการที่บันทึกไว้. บันทึก ระบบสร้างบันทึกหรือรายการหัตถการ พร้อมเวลาที่ทำหัตถการ. ประเภทเหตุการณ์ explicit
	ได้รับผลตรวจแล้ว	ผลการตรวจวินิจฉัยได้รับการยืนยันและพร้อมแสดงในเวชระเบียนของผู้ป่วย โดยทั่วไปจะบันทึกเมื่อระบบห้องปฏิบัติการหรือระบบภาพวินิจฉัยส่งผลกลับไปยัง athenahealth และสร้างรายการพร้อมเวลา.
เหตุผลที่สำคัญ การได้รับผลตรวจเป็นจุดเริ่มต้นสำคัญของการตัดสินใจทางคลินิกในขั้นต่อไป เช่น การวินิจฉัยและวางแผนการรักษา เหตุการณ์นี้เป็นจุดสิ้นสุดที่ใช้วัดระยะเวลาดำเนินการตรวจวินิจฉัย. แหล่งข้อมูล ค้นหาได้ในตารางผลตรวจหรือการวินิจฉัย ซึ่งเชื่อมโยงกับคำสั่งตรวจเดิม เหตุการณ์นี้ระบุด้วยเวลาที่บันทึกหรือรับผลเข้าสู่เวชระเบียนของผู้ป่วย. บันทึก ระบบสร้างรายการผลตรวจใหม่พร้อมเวลา โดยมักรับข้อมูลผ่านการเชื่อมต่อกับ LIS หรือ RIS. ประเภทเหตุการณ์ explicit
	ประเมินอาการเบื้องต้นเสร็จแล้ว	ระบุว่าการประเมินทางคลินิกครั้งแรกเสร็จสิ้นแล้ว เช่น การคัดกรองหรือการประเมินโดยพยาบาล ซึ่งมีการบันทึกสัญญาณชีพและอาการหลัก เหตุการณ์นี้มักอนุมานจากเวลาที่ลงนามในบันทึกทางคลินิกฉบับแรก หรือเวลาที่กรอกแบบประเมินสำหรับการเข้ารับบริการเสร็จสิ้น.
เหตุผลที่สำคัญ เหตุการณ์สำคัญนี้บ่งบอกว่าการดูแลทางคลินิกเริ่มขึ้นแล้ว ระยะเวลาตั้งแต่เช็กอินจนถึงกิจกรรมนี้เป็นตัวชี้วัดสำคัญของเวลารอเบื้องต้นและความพร้อมในการให้บริการของทรัพยากร. แหล่งข้อมูล อนุมานจากเวลาที่สร้างหรือลงนามในเอกสารทางคลินิกหรือ flowsheet ที่เกี่ยวข้องใน athenaClinicals โดยต้องระบุประเภทเอกสารที่ใช้สำหรับการคัดกรองหรือรับผู้ป่วยเข้ารับบริการ. บันทึก ระบุเวลาครั้งแรกในบันทึกทางคลินิก flowsheet สัญญาณชีพ หรือแบบฟอร์มรับผู้ป่วยเข้ารับบริการที่เกี่ยวข้องกับการเข้ารับบริการนั้น. ประเภทเหตุการณ์ inferred
	ผู้ป่วยลงทะเบียนเข้ารับบริการแล้ว	กิจกรรมนี้ระบุว่าผู้ป่วยมาถึงและเช็กอินสำหรับการนัดหมายหรือการเข้ารับบริการแล้ว โดยทั่วไปจะบันทึกเป็นการเปลี่ยนสถานะของรายการนัดหมายใน athenaClinicals หรือ athenaCommunicator.
เหตุผลที่สำคัญ นี่คือจุดเริ่มต้นที่ชัดเจนของการเข้ารับบริการที่สถานพยาบาล ใช้เป็นจุดเริ่มต้นสำคัญในการวัดเวลารอและระยะเวลาดำเนินการโดยรวมของการเข้ารับบริการทางคลินิก. แหล่งข้อมูล บันทึกเป็นการอัปเดตสถานะในตารางนัดหมายหรือตารางการเข้ารับบริการ ให้ค้นหาสถานะ 'Checked-In' และเวลาที่เกี่ยวข้อง. บันทึก ระบบบันทึกการเปลี่ยนสถานะของรายการนัดหมายหรือข้อมูลการเข้ารับบริการ พร้อมเวลาที่เกิดเหตุการณ์. ประเภทเหตุการณ์ explicit
	ยืนยันการวินิจฉัยแล้ว	แพทย์กำหนดหรือยืนยันการวินิจฉัยอาการของผู้ป่วยอย่างเป็นทางการสำหรับการเข้ารับบริการครั้งปัจจุบัน เหตุการณ์นี้อาจอนุมานจากเวลาที่สร้างหรืออัปเดตรหัสการวินิจฉัยหลัก เช่น ICD-10 ซึ่งเชื่อมโยงกับการเข้ารับบริการของผู้ป่วย.
เหตุผลที่สำคัญ นี่คือเหตุการณ์สำคัญที่กำหนดแนวทางการรักษาในขั้นต่อไป การวิเคราะห์ความแตกต่างของกิจกรรมหลังจากจุดนี้ช่วยให้เข้าใจและกำหนดแนวทางการดูแลให้เป็นมาตรฐาน. แหล่งข้อมูล อนุมานจากรายการปัญหาสุขภาพของผู้ป่วยหรือข้อมูลการวินิจฉัยในการเข้ารับบริการ การเปลี่ยนแปลงหรือยืนยันรหัสการวินิจฉัยพร้อมเวลาที่เกี่ยวข้องเป็นสัญญาณของเหตุการณ์นี้. บันทึก ตรวจหาเวลาที่เพิ่มหรืออัปเดตการวินิจฉัยหลักของการเข้ารับบริการ. ประเภทเหตุการณ์ inferred
	เก็บตัวอย่างตรวจแล้ว	ระบุเหตุการณ์ที่เก็บสิ่งส่งตรวจทางชีวภาพ เช่น เลือดหรือปัสสาวะจากผู้ป่วยเพื่อนำไปตรวจทางห้องปฏิบัติการ โดยทั่วไปจะบันทึกเหตุการณ์นี้ไว้อย่างชัดเจนในโมดูลห้องปฏิบัติการ หรือบันทึกเป็นการอัปเดตสถานะคำสั่งตรวจ.
เหตุผลที่สำคัญ นี่คือเหตุการณ์สำคัญในกระบวนการตรวจวินิจฉัย ระยะเวลาตั้งแต่สั่งตรวจ เก็บสิ่งส่งตรวจ จนถึงได้รับผล อาจเผยให้เห็นคอขวดสำคัญในเวิร์กโฟลว์ของห้องปฏิบัติการ. แหล่งข้อมูล ค้นหาเหตุการณ์นี้ได้จากการเปลี่ยนสถานะของคำสั่งตรวจทางห้องปฏิบัติการ หรือเป็นเหตุการณ์แยกในระบบสารสนเทศห้องปฏิบัติการที่เชื่อมต่อกับ athenahealth ให้ค้นหาสถานะ 'Collected' และเวลาที่บันทึก. บันทึก บันทึกเป็นการอัปเดตสถานะคำสั่งตรวจทางห้องปฏิบัติการ หรือในโมดูลติดตามสิ่งส่งตรวจโดยเฉพาะ. ประเภทเหตุการณ์ explicit
	จัดทำแผนการรักษาแล้ว	ระบุการจัดทำและบันทึกแผนการรักษาของผู้ป่วยอย่างเป็นทางการโดยแพทย์ เหตุการณ์นี้อาจบันทึกจากเวลาที่สร้างหรือลงนามในเอกสาร 'Plan of Care' หรือชุดคำสั่งการรักษาที่เกี่ยวข้อง.
เหตุผลที่สำคัญ กิจกรรมนี้กำหนดแนวทางการดูแลทางคลินิกที่วางแผนไว้ให้เป็นทางการ เป็นจุดสำคัญสำหรับวัดการปฏิบัติตามแนวทางมาตรฐานและวิเคราะห์ความแตกต่างในการดูแล. แหล่งข้อมูล โดยทั่วไปค้นหาได้ในตารางเอกสารทางคลินิกหรือคำสั่งตรวจ เหตุการณ์นี้ตรงกับเวลาที่ลงนามในบันทึกแผนการดูแล หรือเวลาที่ส่งชุดคำสั่งการรักษาที่ประสานกันแล้ว. บันทึก เหตุการณ์นี้ใช้เวลาที่สร้างหรือยืนยันเอกสารแผนการรักษาหรือชุดคำสั่งการรักษาที่เกี่ยวข้อง. ประเภทเหตุการณ์ explicit
	นัดหมายติดตามผลแล้ว	นัดหมายติดตามผลให้ผู้ป่วยหลังการรักษาหลักหรือหลังจำหน่าย เหตุการณ์นี้บันทึกไว้อย่างชัดเจนเมื่อสร้างนัดหมายใหม่ในโมดูลจัดตารางนัดหมาย athenaCommunicator.
เหตุผลที่สำคัญ กิจกรรมนี้ช่วยให้เข้าใจการประสานงานดูแลหลังจำหน่ายและผลต่ออัตราการกลับเข้ารักษาซ้ำ อีกทั้งแสดงให้เห็นความต่อเนื่องในการดูแลผู้ป่วย. แหล่งข้อมูล บันทึกในตารางนัดหมาย โดยระบุเหตุการณ์จากเวลาที่สร้างนัดหมายซึ่งเกิดขึ้นหลังวันจำหน่ายผู้ป่วย. บันทึก ระบบสร้างรายการนัดหมายใหม่ในระบบจัดตารางนัดหมาย. ประเภทเหตุการณ์ explicit
	นัดหมายผู้ป่วยแล้ว	บันทึกการนัดหมายของผู้ป่วย เหตุการณ์นี้จะถูกบันทึกอย่างชัดเจนเมื่อผู้ใช้สร้างและยืนยันรายการนัดหมายใหม่ในโมดูลจัดตารางนัดหมาย athenaCommunicator ของ athenahealth.
เหตุผลที่สำคัญ กิจกรรมนี้เป็นจุดเริ่มต้นของเส้นทางการรักษาผู้ป่วยหลายกรณี การวิเคราะห์เวลาตั้งแต่นัดหมายจนถึงเช็กอินช่วยให้เข้าใจการเข้าถึงบริการและประสิทธิภาพก่อนเข้ารับการตรวจ. แหล่งข้อมูล เหตุการณ์นี้บันทึกไว้อย่างชัดเจนในตารางนัดหมายหรือตารางจัดตารางนัดหมาย โดยทั่วไปจะมีเวลาที่สร้างรายการและรหัสผู้ป่วยกำกับไว้. บันทึก ระบบบันทึกเหตุการณ์เมื่อสร้างรายการนัดหมายในโมดูลจัดตารางนัดหมาย. ประเภทเหตุการณ์ explicit
	ย้ายผู้ป่วยแล้ว	ผู้ป่วยย้ายจากหน่วยดูแลหรือแผนกหนึ่งไปยังอีกแห่ง เช่น จากแผนกฉุกเฉินไปยังหอผู้ป่วยใน เหตุการณ์นี้บันทึกไว้อย่างชัดเจนใน EHR ผ่านเหตุการณ์ Admission, Discharge, Transfer (ADT).
เหตุผลที่สำคัญ กิจกรรมนี้สำคัญต่อการวิเคราะห์การส่งต่องานระหว่างแผนกและการเคลื่อนย้ายผู้ป่วยภายในสถานพยาบาล ช่วยระบุคอขวดของ 'เวลาส่งต่อผู้ป่วย' และการจัดสรรทรัพยากร. แหล่งข้อมูล บันทึกในบันทึกเหตุการณ์ ADT หรือตารางติดตามผู้ป่วย เหตุการณ์ย้ายแต่ละครั้งจะระบุผู้ป่วย สถานที่ต้นทางและปลายทาง พร้อมเวลาที่เกิดเหตุการณ์. บันทึก ระบบสร้างข้อความ ADT หรือรายการในบันทึกเหตุการณ์พร้อมเวลาเมื่อมีการย้ายผู้ป่วย. ประเภทเหตุการณ์ explicit
	ส่งเคลมแล้ว	ระบบจัดทำและส่งเคลมค่าบริการที่เกิดขึ้นระหว่างการเข้ารับบริการของผู้ป่วยไปยังผู้จ่ายเงิน เหตุการณ์นี้บันทึกไว้อย่างชัดเจนในโมดูลบริหารจัดการวงจรรายได้ athenaCollector.
เหตุผลที่สำคัญ แม้เป็นขั้นตอนด้านธุรการ แต่กิจกรรมนี้สำคัญต่อการวิเคราะห์กระบวนการวงจรรายได้ที่ดำเนินควบคู่กับการดูแลผู้ป่วย ช่วยระบุความล่าช้าระหว่างการรักษากับการเรียกเก็บเงิน. แหล่งข้อมูล พบข้อมูลนี้ในตารางเคลมหรือตารางเรียกเก็บเงิน โดยระบุเหตุการณ์จากเวลาที่สร้างหรือส่งเคลม. บันทึก สร้างระเบียนเคลม อัปเดตสถานะเป็น 'ส่งแล้ว' และบันทึกเวลา. ประเภทเหตุการณ์ explicit
	สั่งตรวจวินิจฉัยแล้ว	ผู้ให้บริการสั่งตรวจวินิจฉัย เช่น ตรวจทางห้องปฏิบัติการ ตรวจภาพวินิจฉัย หรือหัตถการอื่นๆ เหตุการณ์นี้บันทึกไว้อย่างชัดเจนพร้อมเวลา โดยสร้างผ่านฟังก์ชัน CPOE (Computerized Provider Order Entry) ใน athenaClinicals.
เหตุผลที่สำคัญ นี่คือจุดตัดสินใจสำคัญที่เริ่มกระบวนการย่อยด้านการตรวจวินิจฉัย การติดตามกิจกรรมนี้จำเป็นต่อการวิเคราะห์ KPI 'ระยะเวลาตรวจวินิจฉัย' ตั้งแต่สั่งตรวจจนถึงได้รับผล. แหล่งข้อมูล ค้นหาได้ในตารางคำสั่งตรวจ แต่ละรายการจะมีรหัสผู้ป่วย ชื่อคำสั่ง สถานะคำสั่ง และเวลาที่สร้าง. บันทึก ระบบสร้างรายการใหม่ในตารางคำสั่งตรวจ พร้อมบันทึกเวลา. ประเภทเหตุการณ์ explicit
	ให้ยาแก่ผู้ป่วยแล้ว	เจ้าหน้าที่ทางคลินิกให้ยาผู้ป่วยจริง โดยบันทึกเหตุการณ์นี้ไว้อย่างชัดเจนในโมดูล Medication Administration Record (MAR) ของ athenaClinicals พร้อมเวลาที่ให้ยาแต่ละขนานอย่างแม่นยำ.
เหตุผลที่สำคัญ กิจกรรมนี้แสดงถึงการรักษาโดยตรง การวิเคราะห์เวลาที่ให้ยาช่วยวัด 'เวลาจนถึงการรักษาครั้งแรก' และตรวจสอบว่ามีการให้ยาตามกำหนดหรือไม่. แหล่งข้อมูล ค้นหาได้ในตารางข้อมูล MAR การให้ยาแต่ละครั้งมีรหัสผู้ป่วย รหัสยา ขนาดยา และเวลาที่ให้ยา. บันทึก ระบบสร้างรายการพร้อมเวลาลงใน MAR ทุกครั้งที่บันทึกว่าให้ยาแล้ว. ประเภทเหตุการณ์ explicit

แนะนำ ไม่บังคับ

คู่มือการดึงข้อมูล

วิธีดึงข้อมูลจาก athenahealth

ขั้นตอน

เข้าสู่ระบบพอร์ทัล athenaNet ด้วยข้อมูลเข้าสู่ระบบที่ปลอดภัยของคุณ.
จากเมนูหลัก ไปที่โมดูล Reports ซึ่งมักอยู่ใต้ 'Reports' > 'Report Builder' หรือ 'Custom Reports'.
คลิก 'Create New Report' แล้วเลือก 'Encounters' หรือ 'Patient Visit' เป็นหมวดหมู่รายงานหลัก เพื่อให้ข้อมูลละเอียดอิงกับการเข้ารับบริการของผู้ป่วยแต่ละครั้ง.
ในส่วนเลือก 'Columns' หรือ 'Fields' ให้ค้นหาและเพิ่ม Patient Identifier (Patient ID) กับ Encounter Identifier (Encounter ID) เพื่อใช้เป็น Case Identifier.
เพิ่มคอลัมน์ข้อมูลประชากรและบริบทที่ต้องการ เช่น Department, Provider Name, Patient Age และ Primary Diagnosis Code.
เพิ่มคอลัมน์เวลาที่ตรงกับกิจกรรมแต่ละรายการ คุณอาจต้องค้นหาในกลุ่มฟิลด์ต่างๆ เช่น 'Scheduling' สำหรับ Appointment Scheduled, 'Check-in' สำหรับ Check-in Time และ 'Billing' สำหรับ Claim Submitted หากมีตัวเลือก ให้เลือกรูปแบบ 'Date and Time' ไม่ใช่เฉพาะวันที่.
ตั้งค่าตัวกรองรายงาน กำหนดช่วง 'Encounter Date' ให้ตรงกับช่วงเวลาที่ต้องการวิเคราะห์ เช่น 6 เดือนล่าสุด และตัดนัดหมายที่ 'Cancelled' หรือ 'No Show' ออก เพื่อเน้นเส้นทางที่เสร็จสมบูรณ์.
คลิก 'Run Report' เพื่อดูตัวอย่างข้อมูล ตรวจสอบว่าคอลัมน์มีข้อมูลและไม่ได้เป็นค่าว่างทั้งหมด.
เลือก 'Export' แล้วเลือกรูปแบบ 'CSV' (Comma Separated Values) อย่าใช้รูปแบบ Excel/XLSX เพราะทำให้ประมวลผลยุ่งยากขึ้น.
บันทึกไฟล์ไว้ในเครื่องเป็น 'athena_raw_export.csv'.
เนื่องจากรายงานส่งออกข้อมูลหนึ่งแถวต่อการเข้ารับบริการ โดยมีหลายคอลัมน์วันที่ (รูปแบบกว้าง) คุณต้องปรับโครงสร้างข้อมูลให้เป็นบันทึกเหตุการณ์ (รูปแบบยาว) ใช้สคริปต์ Python ในส่วน Query เพื่อแปลงข้อมูล.
เรียกใช้สคริปต์เพื่อสร้างไฟล์ 'process_mining_event_log.csv' แล้วอัปโหลดไฟล์นี้ไปยัง ProcessMind.

การกำหนดค่า

หมวดหมู่รายงาน: เลือก 'กิจกรรมการเข้ารับบริการ' หรือ 'ข้อมูลทางคลินิก' เป็นหมวดหมู่หลัก เพื่อเก็บขั้นตอนส่วนใหญ่ในเวิร์กโฟลว์ทางคลินิก
ช่วงวันที่: จำกัดการดึงข้อมูลครั้งแรกไว้ที่ 3-6 เดือน เพื่อหลีกเลี่ยงรายงานหมดเวลาหรือเกินจำนวนแถวที่กำหนด (โดยทั่วไปมุมมองมาตรฐานจำกัดไว้ประมาณ 50,000 แถว)
การเลือกคอลัมน์: ตรวจสอบว่าเลือกฟิลด์การประทับเวลาโดยตรง หลีกเลี่ยงฟิลด์คำนวณ เช่น 'จำนวนวันนับจากเช็กอิน' และเลือก 'วันที่/เวลาเช็กอิน' ซึ่งระบุเวลาจริงแทน
การจัดการค่าว่าง: ตั้งค่ารายงานให้แสดงช่องว่างเมื่อไม่มีข้อมูล แทนข้อความที่กำหนดเอง เช่น 'N/A' เพื่อให้สคริปต์ประมวลผลได้ง่ายขึ้น
การกรองแผนก: หากองค์กรมีขนาดใหญ่ ให้กรองตามสถานที่ให้บริการหรือแผนก เช่น 'โรคหัวใจ' หรือ 'ศัลยกรรมกระดูก' เพื่อให้ชุดข้อมูลตรงประเด็น
สิทธิ์: ผู้ใช้ต้องมีสิทธิ์ 'ผู้สร้างรายงาน' หรือ 'การรายงานทางคลินิก' ใน athenaNet เพื่อเข้าใช้ตัวสร้างรายงานแบบกำหนดเอง.

ตัวอย่างคำค้น 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}")

ขั้นตอน

ลงทะเบียนแอป API: เข้าสู่ระบบ athenahealth Developer Portal แล้วลงทะเบียนแอปใหม่เพื่อรับ Client ID และ Client Secret ตรวจสอบว่าแอปมี scope สำหรับ Appointments, Clinicals (Charts), Orders และ Billing (Claims).
ตั้งค่าสภาพแวดล้อม Python: ติดตั้งไลบรารี Python ที่จำเป็น (requests, pandas) ในสภาพแวดล้อมที่ใช้เรียกใช้ โดยใช้คำสั่ง pip install requests pandas.
ยืนยันตัวตน: ใช้ขั้นตอน OAuth 2.0 Client Credentials grant เพื่อรับ access token จากนั้นใส่ token นี้ใน Authorization header (Bearer token) ของ API call ทั้งหมด.
กำหนดขอบเขต: ระบุ Practice ID และช่วงวันที่สำหรับดึงข้อมูล athenahealth API แยกตามสถานพยาบาล หากดูแลหลายแห่ง คุณต้องดึงข้อมูลแยกตาม Practice ID.
ดึงข้อมูลนัดหมาย: เรียก endpoint /appointments/booked หรือ /appointments/changed เพื่อดึงข้อมูลการเข้ารับบริการหลัก เชื่อมโยง appointment ID กับ PatientEpisodeId ดึง 'Appointment Scheduled' จากวันที่สร้าง และ 'Patient Checked In' จากเวลาเช็กอิน.
ดึงเหตุการณ์ทางคลินิกของแต่ละครั้งที่เข้ารับบริการ: สำหรับ appointment ID (encounter) แต่ละรายการ ให้เรียก clinical sub-endpoint ที่เกี่ยวข้อง เรียก /chart/{encounterId}/vitals สำหรับ 'Initial Assessment Completed' และ /chart/{encounterId}/orders สำหรับ 'Diagnostic Test Ordered', 'Specimen Collected' (อิงตามสถานะ) และ 'Discharge Order Written'.
ดึงผลตรวจและการวินิจฉัย: เรียก /chart/{encounterId}/analyteresults หรือ /chart/{encounterId}/labresults สำหรับ 'Test Results Received' และเรียก /chart/{encounterId}/diagnoses สำหรับ 'Diagnosis Confirmed'.
ดึงข้อมูลการรักษาและหัตถการ: เรียก /chart/{encounterId}/plan สำหรับ 'Treatment Plan Developed', /chart/{encounterId}/procedures สำหรับ 'Procedure Performed' และ /chart/{encounterId}/medications/admin สำหรับ 'Medication Administered'.
ระบุ ADT และเคลม: ใช้ประวัติสถานะนัดหมายหรือ hospital endpoint เฉพาะ (หากมี) เพื่อบันทึก 'Patient Transferred' และ 'Patient Discharged' เรียก /claims ที่เกี่ยวข้องกับนัดหมายเพื่อดึง 'Claim Submitted'.
เชื่อมโยงการติดตามผล: ค้นหานัดหมายครั้งถัดไปของผู้ป่วยคนเดิมภายในกรอบเวลาของการเข้ารับบริการ เพื่อระบุ 'Follow-Up Appointment Scheduled'.
แปลงและจัดข้อมูลให้อยู่ในรูปแบบแบน: แปลง JSON ที่ซ้อนกันเป็นรายการ event dictionary แบบแบน แปลงเวลาทั้งหมดเป็นรูปแบบ ISO 8601 และกำหนดฟิลด์เป็น ActivityName, PatientEpisodeId และ EventTimestamp.
ส่งออกข้อมูล: โหลดรายการ dictionary ลงใน pandas DataFrame ทำความสะอาดข้อมูลขั้นสุดท้าย เช่น จัดการค่าว่าง แล้วส่งออกเป็นไฟล์ CSV ที่พร้อมนำเข้า ProcessMind.

การกำหนดค่า

ข้อมูลรับรอง API: ต้องมี Client ID และ Secret ที่ยังใช้งานได้จาก athenahealth Developer Portal พร้อมสิทธิ์เข้าถึงระบบจริง.
Practice ID: รหัสตัวเลขเฉพาะของสถานพยาบาล ต้องเรียกใช้สคริปต์แยกตามสถานพยาบาลเมื่อต้องดึงข้อมูลจากเครือข่ายหลายแห่ง.
ช่วงวันที่: แนะนำให้ดึงข้อมูลย้อนหลัง 3-6 เดือน เนื่องจากข้อมูลทางคลินิกมีรายละเอียดและมีปริมาณมาก.
การจำกัดอัตราการเรียกใช้: athenaOne API จำกัดอัตราการเรียกใช้อย่างเข้มงวด เช่น 5 ครั้งต่อวินาที สคริปต์มีฟังก์ชันหน่วงเวลา แต่การดึงข้อมูลระดับองค์กรควรใช้ exponential backoff.
Scopes: ตรวจสอบว่า token มี scope athena/service/Athenanet.MDP.* หรือ scope เฉพาะสำหรับนัดหมาย เวชระเบียน และข้อมูลการเงิน.
การแบ่งหน้า: endpoint ส่วนใหญ่ส่งคืนระเบียนจำนวนจำกัด โดยค่าเริ่มต้นคือ 1000 รายการ สคริปต์ต้องรองรับพารามิเตอร์ next หรือ offset.
การกรองแผนก: หากวิเคราะห์เส้นทางเฉพาะ เช่น ห้องฉุกเฉินเทียบกับผู้ป่วยนอก ให้กรองด้วย department ID ในขั้นตอนดึงข้อมูลนัดหมาย.

ตัวอย่างคำค้น 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()

พร้อมเริ่มต้นหรือยัง?

เริ่มต้นปรับปรุงการดูแลผู้ป่วยได้ที่นี่ เทมเพลตนี้เป็นก้าวแรกในการค้นหาข้อมูลเชิงลึกที่มีประโยชน์และพัฒนาผลลัพธ์ด้านสุขภาพ.

กลับไปยังคู่มือการปรับปรุง

ดาวน์โหลดเทมเพลต

ปรับปรุงเส้นทางการดูแลผู้ป่วยและขจัดคอขวดได้เลย

ระบุจุดที่ไม่มีประสิทธิภาพใน athenahealth และลดระยะเวลาของเส้นทางการดูแลผู้ป่วยลง 30%.

เริ่มทดลองใช้ฟรี

ไม่ต้องใช้บัตรเครดิต เริ่มปรับปรุงได้วันนี้.

เทมเพลตข้อมูลเส้นทางการดูแลผู้ป่วยของคุณ

เทมเพลตข้อมูลเส้นทางการดูแลผู้ป่วยของคุณ

คุณลักษณะของเส้นทางการดูแลผู้ป่วย

กิจกรรมในเส้นทางการดูแลผู้ป่วย

คู่มือการดึงข้อมูล

ส่งออก CSV แบบกำหนดเองด้วย athenaNet Report Builder

ขั้นตอน

การกำหนดค่า

ตัวอย่างคำค้น python

ดึงข้อมูลเหตุการณ์จาก athenaOne API ด้วย Python

ขั้นตอน

การกำหนดค่า

ตัวอย่างคำค้น python

พร้อมเริ่มต้นหรือยัง?

ปรับปรุงเส้นทางการดูแลผู้ป่วยและขจัดคอขวดได้เลย