Detecció de MRN HIPAA Sense Ser Expert en Regex
El format MRN de cada hospital és diferent. Memorial utilitza MRN:XXXXXXX, St. Mary's utilitza PT-YYYYY, University Hospital utilitza UHN-XXXXXXXXXX.
HIPAA: Deteccio de MRN específics per a cada hospital
El HIPAA Safe Harbor requereix eliminar els numeros d'historial medic, pero els formats MRN no estan estandarditzats. Epic, Cerner i Meditech utilitzen formats diferents. Les eines PIE estandard nomes coneixen els que estan integrats.
Desidentificacio HIPAA Safe Harbor a gran escala
HIPAA Safe Harbor requereix eliminar 18 categories especifiques d'identificadors PHI. Els centres medics academics necessiten desidentificacio a gran escala pero les eines existents costen 120.000 USD/any. El processament per tokens ho fa assequible.
ISO 27001 i BAAs HIPAA per al sector sanitari
Els Acords de Socis Comercials (BAAs) de HIPAA requereixen 'garanties satisfactories' de controls adequats. La ISO 27001 s'alinea directament amb el HIPAA 164.
Deteccio de MRN personalitzat per a HIPAA sense codi
Els numeros d'historia clinica son especifics de cada hospital: cada sistema sanitari utilitza un format diferent. La norma Safe Harbor de HIPAA exigeix eliminar els MRN.
18 identificadors HIPAA que la vostra eina passa per alt
La HIPAA enumera 18 identificadors de PHI. La majoria d'eines d'anonimitzacio en detecten potser 6. Els Numeros de Registre Medic varien per institucio sense cap format nacional estandar als EUA.
Protocol de recontacte IRB: xifratge reversible
No podeu contactar Pacient_001 per a una visita de seguiment. Els IRB ara exigeixen protocols documentats de reidentificacio que demostrin que podeu reidentificar en les condicions correctes.
Desidentificacio Reversible per a la Recerca Clinica
Quan un estudi troba un risc de biomarcadors inesperat en 47 de 5.000 participants, els investigadors necessiten contactar pacients reals. Nomes el 23% de les eines d'anonimitzacio ofereixen reversibilitat real.
ChatGPT Compatible amb HIPAA amb Proteccio del Navegador
El 77% dels empleats comparteixen informacio laboral sensible amb eines d'IA almenys setmanalment. La intercep cio de PII en temps real al navegador redueix els incidents de filtracio en un 94%.
Processament per lots de 50.000 notes cliniques localment
Una resolucio del SDNY de febrer del 2026 va determinar que els documents processats per IA perden el privilegi advocat-client si no s'anonimitzen abans del processament.
Els LLM no detecten el 50% de la PHI clinica
Un estudi de 2025 va trobar que els LLM no detecten mes del 50% de la PHI clinica en documents multilingues. El 34,8% de totes les entrades a ChatGPT contenen dades sensibles.
Redaccio explicable: auditories HIPAA
La determinacio d'experts HIPAA exigeix una metodologia documentada. El descobriment electronic juridic requereix justificacions per redaccio. El 34% dels DPOs declara tenir eines insuficients per a la documentacio del compliment de l'anonimitzacio automatitzada.
HIPAA al nuvol: arquitectura de zero coneixement per a PHI
Els Acords d'Associat Comercial no prevenen les infraccions HIPAA quan el vostre proveidor d'IA en el nuvol processa PHI en text clar. Aixo es el que fa l'arquitectura de zero coneixement.
Quan els CISO de sanitat diuen no al processament en el nuvol de dades PHI
725 violacions de dades sanitaries el 2024 van afectar 275 milions de registres. Amb un cost mig de 10,22 M$ per violacio -- el mes alt de qualsevol sector --, els CISO de sanitat estan.
HHS 2025: Les Notes Cliniques d'IA Necessiten Proteccio de PHI
Els sistemes de transcripcio d'IA poden posar inadvertidament la PHI del Pacient A al registre del Pacient B. Per aixo la deteccio de PHI en temps real abans de la confirmacio a l'HCE es el control adequat.
OCR de formularis manuscrits i deteccio de PII
Un hospital de mida mitjana processa 50.000 formularis d'ingres manuscrits a l'any. La redaccio manual de PII a aquest volum requereix 0,5 ETC.
HIPAA OCR: 725 Bretxes, 275 Milions de Registres
L'HHS OCR va registrar 725 bretxes de dades de salut el 2024 que van afectar 275 milions de registres, el maxim historic. Cost mig d'una bretxa sanitaria: 10,22 milions de dolars.
Deteccio de PHI: Snow Labs 96% vs GPT-4o
No totes les eines de desidentificacio son iguals. Els benchmarks ECIR 2025 mostren puntuacions F1 del 79% al 96%. Apreneu per que la precisio importa i com avaluar les eines.
7,42 M USD: el sector sanitari lidera el cost de les bretxes de dades
El sector sanitari ha estat el mes costós en bretxes de dades durant 14 anys consecutius. Per que la informacio de salut protegida (PHI) es tan valuosa i com protegir-la.
Comenceu a Protegir les Vostres Dades Avui
Més de 285 tipus d'entitats, 48 idiomes, seguretat de nivell empresarial a preus de startup.
About this page
We update this page when our platform or the law changes.
Read our founder note for how we work.
Each change shows up in the timestamp at the top.
Related reading
We follow these rules
- GDPR (EU 2016/679).
- ISO/IEC 27001:2022.
- NIS2 (EU 2022/2555).
- HIPAA safe harbor under 45 CFR § 164.514(b)(2).
Our promise
We do not sell your data.
We do not train models on your text.
We store your files in Germany.
You can delete your account at any time.
You own your work.
Where we run
Our company HQ is in Saarbrücken, Germany. Our servers run in Hetzner's Falkenstein datacenter.
Hetzner holds ISO 27001 certification.
All data stays in the EU.
Backups run every day.
Need help?
Email support@anonym.legal.
We reply within one business day.
How we test
We run a full check suite on every release.
Each surface gets its own sweep script and report.
Human reviewers spot-check the output each week.
We track recall and precision on a labelled set.
Bad runs block the deploy.
What we never do
- We never sell your information to third parties.
- We never train models on what you upload.
- We never keep your work after you delete it.
- We never share keys with any outside firm.
- We never run ads inside the product.
Plans in plain words
We sell credits, not seats.
One credit covers one short job.
Long jobs use a few credits each.
You can top up at any time.
Unused credits roll over each month.
Read the plans page for current rates.
Who built this
A small team of engineers and lawyers built this.
We ship from Europe and work in the open.
Our founder note spells out why we started.
Where to start
- Open the web app and try a sample file.
- Learn how credits get counted.
- See current plans and limits.
- Meet the team behind the product.
How the parts fit
A browser add-on cleans text inside Chrome.
A Word plug-in handles drafts in Office.
A small desktop tool works on whole folders.
An agent protocol link feeds large models safely.
All four share one core engine and one rule set.
Words from our team
We started this work after a lunch about cookies.
One friend kept getting odd ads on her phone.
We asked why a court file leaked through a draft.
We sketched the first build on a napkin that week.
By month three we had a tiny demo for a friend.
She used it on her first case the next day.
Common questions we hear
Can the tool read scanned PDFs? Yes, with OCR.
Does it work on long files? Yes, in small chunks.
Can I roll my own rule set? Yes, save it as a preset.
Does it run offline? The desktop build runs offline.
Do you keep my files? No, the cloud build wipes after each run.
Will it learn from my work? No, we never train on inputs.
A short tour of the workflow
Upload a file or paste a snippet of prose.
Pick the entities you want gone from the draft.
Choose a method: replace, mask, hash, encrypt, or redact.
Press run and watch the side panel show each hit.
Skim the result and tweak any rule that misfired.
Save the cleaned file or send it to a teammate.