Detekce MRN podle HIPAA bez doktorátu z regulárních výrazů
Formát MRN každé nemocnice je jiný. Memorial používá MRN:XXXXXXX, St. Mary's používá PT-YYYYY, University Hospital používá UHN-XXXXXXXXXX.
HIPAA: Detekce čísel MRN specifických pro nemocnici
HIPAA Safe Harbor vyžaduje odstranění čísel zdravotních záznamů — ale formáty MRN nejsou standardizované. Epic, Cerner a Meditech používají různé formáty.
De-identifikace HIPAA Safe Harbor ve velkém měřítku
HIPAA Safe Harbor vyžaduje odstranění 18 specifických kategorií identifikátorů PHI. Akademická medicínská centra potřebují de-identifikaci ve velkém měřítku, ale stávající nástroje jsou určeny pro nemocniční systémy, nikoli výzkumné granty.
ISO 27001 a HIPAA BAA pro zdravotnictví
Dohody Business Associate Agreements dle HIPAA vyžadují „uspokojivé záruky” odpovídajících bezpečnostních opatření. ISO 27001 přímo odpovídá HIPAA 164.
Detekce vlastních čísel MRN pro HIPAA bez programování
Čísla zdravotních záznamů jsou specifická pro každou nemocnici — každý zdravotnický systém používá jiný formát. HIPAA Safe Harbor vyžaduje jejich odstranění, a přesto většina nástrojů nestandardní formáty MRN přehlíží.
18 identifikátorů HIPAA, které váš nástroj přehlíží
HIPAA uvádí 18 identifikátorů PHI. Většina nástrojů pro anonymizaci detekuje možná 6 z nich. Čísla zdravotní dokumentace se liší podle instituce a nemají žádný standardní americký formát.
Reverzibilní šifrování pro opětovné kontaktování účastníků výzkumu
Pacienta_001 nemůžete kontaktovat kvůli kontrolní návštěvě. IRB nyní vyžadují zdokumentované protokoly re-identifikace — prokázání, že RE-IDENTIFIKACI PROVÉST UMÍTE za podmínek etického souhlasu.
Reverzibilní de-identifikace pro klinický výzkum
Pokud studie odhalí neočekávané riziko u 47 z 5 000 účastníků, výzkumníci potřebují kontaktovat skutečné pacienty. Pouze 23 % anonymizačních nástrojů nabízí skutečnou reverzibilitu (IAPP 2024). Pokyny EDPB 05/2022 vyžadují oddělení klíčů a umožňují cílenou opětovnou identifikaci v nezbytných případech.
ChatGPT v souladu s HIPAA díky ochraně v prohlížeči
77 % zaměstnanců sdílí citlivé pracovní informace s nástroji umělé inteligence nejméně jednou týdně. Zachycení zdravotních údajů (PHI) v reálném čase v prohlížeči snižuje incidenty úniku o 94 %. Standardní účty ChatGPT a Claude neobsahují smlouvy Business Associate Agreement pro klinické využití.
Dávkové zpracování 50 000 klinických záznamů lokálně
Únorové rozhodnutí SDNY z roku 2026 konstatovalo, že dokumenty zpracované umělou inteligencí ztrácejí ochranu advokátního tajemství, pokud nebyly předem anonymizovány.
LLM přehlíží 50 % klinických chráněných zdravotních informací
Studie z roku 2025 zjistila, že LLM přehlíží více než 50 % klinických CHI ve vícejazyčných dokumentech. 34,8 % veškerých vstupů do ChatGPT obsahuje citlivé údaje.
Vysvětlitelná redakce: audity HIPAA
Metoda Expert Determination podle HIPAA vyžaduje zdokumentovanou metodologii. Právní e-discovery vyžaduje zdůvodnění každé redakce. 34 % DPO hlásí nedostatečné nástroje pro dokumentaci souladu s předpisy při automatizované anonymizaci.
HIPAA v cloudu: architektura nulové znalosti pro PHI
Smlouvy s obchodními partnery (BAA) nezabrání narušením HIPAA, pokud váš cloudový AI dodavatel zpracovává PHI v čitelné podobě. Architektura nulové znalosti to mění.
Když CISO říkají ne cloudovému zpracování PHI
725 narušení zdravotnických dat v roce 2024 zasáhlo 275 milionů záznamů. S průměrnými náklady na narušení 10,22 milionů USD — nejvyššími v jakémkoli odvětví — zdravotničtí ředitelé informační bezpečnosti odmítají cloudové nástroje pro PHI.
HHS 2025: Klinické poznámky AI a ochrana PHI
Systémy AI pro přepis mohou neúmyslně přenést PHI pacienta A do záznamu pacienta B. Proto je detekce PHI v reálném čase před zápisem do EHR klíčovým kontrolním mechanismem.
OCR ručně psaných formulářů a detekce PII v zdravotnictví
Středně velká nemocnice zpracovává 50 000 ručně psaných přijímacích formulářů ročně. Ruční redakce PII v takovém objemu vyžaduje 0,5 FTE.
HIPAA OCR: 725 narušení, 275 milionů záznamů
HHS OCR zaznamenal v roce 2024 celkem 725 narušení ochrany dat HIPAA s dopadem na 275 milionů záznamů — historicky nejvyšší číslo. Průměrné náklady na narušení ve zdravotnictví dosahují 10,22 milionu dolarů.
Detekce PHI: Snow Labs 96 % vs GPT-4o
Ne všechny nástroje pro de-identifikaci jsou stejně přesné. Benchmarky ECIR 2025 ukazují skóre F1 od 79 % do 96 %. Zjistěte, proč přesnost rozhoduje a jak nástroje správně porovnat.
7,42 milionu USD: Nejvyšší náklady úniku dat ve zdravotnictví
Zdravotnictví je 14 let po sobě nejnákladnějším odvětvím z hlediska úniku dat. Zjistěte, proč jsou zdravotní záznamy (PHI) tak cenné a jak je chránit.
Začněte chránit svá data ještě dnes
Více než 285 typů entit, 48 jazyků, bezpečnost na úrovni podniků za ceny startupů.
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.