Problém úniků dat ve zdravotnictví
Aktualizováno pro rok 2026: 725 úniků zdravotnických dat v roce 2024 odhalilo 275 milionů záznamů (HHS OCR). Toto číslo převyšuje celou populaci USA.
Náklady jsou vysoké. Únik ve zdravotnictví stojí v průměru 10,22 milionu dolarů. Je to nejvyšší cena ze všech odvětví – už patnáctým rokem v řadě (IBM Cost of Data Breach 2025). Polovina všech úniků ve zdravotnictví začíná u dodavatele nebo obchodního partnera (HHS OCR 2024). Hrozba nepřichází jen zevnitř.
Tato čísla změnila chování vedení nemocnic. Ve velkých zdravotnických systémech CISO neschválí cloudové nástroje pro práci s PHI. Riziko je příliš vysoké.
To vytváří skutečný konflikt pro klinické týmy. Potřebují odstraňovat údaje o pacientech z poznámek. Tato práce je nutná pro výzkum, zprávy o kvalitě a trénovací datové sady. Potřebují nástroje, které dobře fungují ve velkém měřítku. Cloudové nástroje jsou zablokované. A mezera se prohlubuje.
Proč jsou cloudové nástroje pro PHI blokovány
HHS Civil Rights zpřísnilo vymáhání. Aktualizace HIPAA Security Rule z roku 2024 byla první větší změnou od roku 2013. Přidala jasné nové požadavky:
- Šifrování při přenosu i v klidu pro veškeré elektronické PHI
- Smlouvy Business Associate Agreements (BAA) s každým externím dodavatelem
- Záznamy o analýze rizik pro každý výběr dodavatele
- Plány reakce na incidenty
Když nemocnice posuzuje cloudový nástroj pro deidentifikaci, bezpečnostní tým musí prokázat tři věci. První: dodavatel PHI nevidí. Druhá: BAA odpovídá přesnému případu použití. Třetí: únik u dodavatele neodhalí záznamy pacientů.
Polovina úniků ve zdravotnictví už začíná u dodavatelů. Rizikové týmy proto často nemohou cloudové nástroje pro PHI schválit. Platí to bez ohledu na to, jak silná jsou bezpečnostní tvrzení dodavatele.
I s podepsanou BAA je pohled CISO často stejný: BAA přiděluje vinu po úniku. Nezabrání mu. Nepotřebujeme další dodavatele v řetězci. Náš přehled zabezpečení vysvětluje, jak lokální zpracování tento článek z řetězce vyřazuje.
Problém přesnosti
Blokace cloudu by měla menší význam, kdyby úkol zvládly jednodušší nástroje. Výzkum ukazuje, že nezvládnou.
Studie z roku 2025 zjistila, že univerzální nástroje LLM přehlédnou více než polovinu klinických PHI ve volných textových poznámkách (arXiv:2509.14464). HIPAA Safe Harbor vyžaduje odstranění 18 typů identifikátorů. Klinické poznámky ukrývají tyto identifikátory ve zkratkách, místních označeních a slovech z jiných jazyků.
Standardní nástroje přehlédnou případy jako tyto:
- „Pt. J.D., DOB 4/12/67“ – zkrácené jméno a formát data
- „Dx: HCC f/u, appt at UCSF MC“ – název nemocnice uvnitř klinické zkratky
- „Seen by Dr. Smith in ED #3, Room 12B“ – jméno lékaře s číslem pokoje
- Formáty MRN (7-8 číslic, podle pracoviště) zaměňované s jinými čísly
Výzkumná datová sada vytvořená z poznámek s mírou přehlédnutí 50 %+ nesplňuje pravidla HIPAA. Způsobuje problémy s IRB. Hrozí kvůli ní postih, pokud se mezera objeví po zveřejnění studie. Naše stránka o souladu pokrývá standardy Safe Harbor i Expert Determination.
Mezera v nástrojích
Týmy klinické informatiky čelí skutečné mezeře. Každá možnost má vážné omezení.
Komerční cloudové služby fungují dobře. Vyžadují však odesílání chráněných zdravotních údajů externímu dodavateli. Většina velkých nemocničních systémů to blokuje.
Open-source nástroje (například Presidio a MIST) běží na místě. Vyžadují však náročné nastavení a stálou údržbu. Bez dalších vlastních úprav často nedosahují přesnosti požadované HIPAA. V našem slovníčku najdete srozumitelné definice klíčových pojmů.
Ruční deidentifikace metodou Expert Determination potřebuje vyškoleného statistika. Statistik musí prokázat, že riziko reidentifikace je velmi malé. Pro malé sady záznamů to funguje. Při 50 000+ záznamech ne.
Hybridní metody kombinují automatické nástroje s ruční kontrolou označených položek. To pomáhá s objemem. Neřeší to však problém přesnosti v automatické části.
Potřeba je jasná. Klinické týmy potřebují přesnost na úrovni cloudu – NLP, regulární výrazy a transformerové modely – zatímco samotné dokumenty zůstávají na lokálním hardwaru. Podle pravidel sítě to znamená buď přibalený nástroj bez jakéhokoli externího volání (anonym.plus), nebo nástroj, který čte soubory na lokálním počítači, zatímco detekce běží na jediném povoleném (allowlist) API dodavatele hostovaném v EU (desktopová aplikace anonym.legal, níže).
Regulatorní reakce roku 2024
725 úniků v roce 2024 vyvolalo silnou regulatorní reakci.
HHS Civil Rights vydalo v tom roce více než 120 donucovacích opatření týkajících se HIPAA. Pokuty dosáhly rekordní výše. Navrhovaná aktualizace HIPAA Security Rule z března 2025 přidává nové požadavky:
- Každoroční audity šifrování
- Vícefaktorové přihlášení do všech systémů zpracovávajících elektronické PHI
- Povinnosti zveřejňování informací o kybernetické bezpečnosti
- Přísnější pravidla dohledu nad dodavateli
Pro regulované subjekty náklady na soulad stále rostou. Rostou pokuty. Roste i práce spojená s prokazováním souladu pomocí záznamů. Naše FAQ zodpovídá běžné otázky k těmto pravidlům.
HIPAA stanoví jasné standardy deidentifikace. Safe Harbor odstraňuje všech 18 typů identifikátorů. Expert Determination vyžaduje důkaz nízkého rizika reidentifikace. Nástroj, který přehlédne více než polovinu PHI, nesplňuje ani jeden z těchto standardů.
Co vyžaduje lokální deidentifikace
Lokální nástroj musí odpovídat kvalitě detekce cloudových služeb. K tomu je potřeba čtyř vrstev.
Vrstva 1 – regulární výrazy s klinickými vzory. Strukturované identifikátory – MRN, SSN, NPI, čísla DEA – se pro regulární výrazy dobře hodí. Dobrá klinická knihovna pokrývá formáty MRN používané napříč zdravotnickými systémy. Ty se mezi pracovišti velmi liší.
Vrstva 2 – rozpoznávání pojmenovaných entit. Klinické poznámky ukrývají PHI v běžném textu. Jména lékařů se objevují ve vyprávěcích větách. Jména pacientů se objevují v mnoha formátech. Místa se objevují v anamnéze. Modely NLP vytrénované na klinických textech to všechno dokážou najít.
Vrstva 3 – více jazyků. Zdravotnictví v USA slouží pacientům mluvícím mnoha jazyky. PHI se může objevit v mateřském jazyce pacienta uvnitř přeložené poznámky. Španělština, čínština, arabština, vietnamština a tagalog se všechny objevují v záznamech pacientů v USA. Detekce musí pokrýt všechny.
Vrstva 4 – skórování kontextu. Sedmimístné číslo je v jedné poznámce MRN a v jiné dávka léku. Skórování kontextu snižuje počet falešných poplachů. To znamená méně příznaků ke kontrole a čistší výsledky auditu.
Dávkové zpracování ve velkém
Výzkumné datové sady jsou velké. Pětiletý projekt v jednom akademickém lékařském centru může obsahovat 500 000 volných textových poznámek. Aby nástroj takový objem zvládl, potřebuje:
- Paralelní zpracování mnoha dokumentů najednou
- Podporu DOCX, PDF, prostého textu a exportů z EHR
- Sledování průběhu a protokoly chyb pro neúspěšné položky
- Auditní stopu ukazující, co bylo zpracováno a kdy
- Výstup ve formátu ZIP pro snadné předání výzkumným partnerům
Ruční kontrola se v tomto měřítku neškáluje. Cloudové nástroje jsou zablokované. Jedinou cestou je přesné lokální zpracování se silnou podporou dávek.
Příklad z praxe
Regionální nemocnice chce deidentifikovanou datovou sadu z EHR pro společnou studii s univerzitním partnerem. CISO po číslech o únicích z roku 2024 zablokoval cloudové zpracování údajů o pacientech.
Takto vypadá postup s nástrojem typu local-first:
- Export. Systém EHR exportuje 50 000 klinických poznámek jako dokumenty DOCX do zabezpečené lokální složky.
- Zpracování. Desktopová aplikace přes noc spustí 10 dávek po 5 000 dokumentech na lokálních pracovních stanicích.
- Kontrola. Tým klinické informatiky zkontroluje vzorek podle pravidel HIPAA Safe Harbor.
- Dokumentace. Protokol zpracování zaznamená každou zpracovanou položku, použitou metodu detekce a časové razítko. To je auditní stopa pro IRB.
- Předání. Deidentifikovaný výstup je zabalen a odeslán univerzitě zabezpečeným kanálem.
CISO souhlasí, protože žádné údaje o pacientech neopouštějí síť nemocnice. IRB souhlasí, protože metoda splňuje pravidla dokumentace Safe Harbor. Univerzita získá data, která odpovídají její smlouvě o užívání dat. Další skutečné příklady najdete v našich případových studiích.
Kdy má tento přístup limity
Lokální a přesná deidentifikace PHI odpovídá zároveň na námitku CISO proti cloudu i na námitku proti přesnosti – ale deidentifikace je pravděpodobnostní proces a tatáž studie, která ukazuje, že cloudové nástroje přehlédnou polovinu PHI, je varováním platným pro každý nástroj, včetně tohoto.
Žádný detektor nezachytí 100 % klinických PHI. Poznámky ukrývají identifikátory ve zkratkách, překlepech, volném vyprávění a jiných jazycích. Vícevrstvý lokální řetězec zachytí mnohem víc než univerzální LLM, ale zbytková přehlédnutí jsou nevyhnutelná. U výzkumného zveřejnění je lidská kontrola vzorku podle Safe Harbor kontrolou, díky níž je datová sada obhajitelná – je součástí metody, ne formalitou.
Splnění Safe Harbor je posouzení, ne výstup nástroje. Safe Harbor vyžaduje odstranění všech 18 typů identifikátorů a absenci skutečné znalosti, že zbytek by mohl umožnit reidentifikaci. Nástroj odstraňuje identifikátory; potvrzení, že je standard splněn – nebo zadání Expert Determination – zůstává odpovědností regulovaného subjektu a vaší IRB.
Riziko reidentifikace přetrvá i po odstranění identifikátorů. Vzácné diagnózy, malé populace, data a kvazi-identifikátory mohou pacienta reidentifikovat i po odstranění 18 typů. U vysoce rizikových datových sad je vhodným standardem Expert Determination se statistickou analýzou rizik, ne samotný Safe Harbor.
Lokální nasazení přenáší břemeno údržby na vás. Offline modely jsou momentka. Udržovat aktuální detekční vzory, jazykové modely a formáty MRN je nyní úkolem vašeho týmu a zastaralý lokální nástroj se může propadnout pod přesnost, kterou jste ověřili při instalaci. Ověřujte znovu pravidelně, místo abyste předpokládali, že výkon prvního dne vydrží.
Desktopová aplikace anonym.legal poskytuje deidentifikaci PHI v kvalitě cloudu. Používá třívrstvou detekci: Presidio NLP, regulární výrazy a transformery XLM-RoBERTa. Instaluje se a běží lokálně, ale samotná detekce probíhá na serverech anonym.legal – aplikace nedodává žádné detekční modely a vyžaduje připojení k internetu; její allowlist omezuje připojení pouze na anonym.legal. Podporováno je všech 18 identifikátorů HIPAA Safe Harbor. Dávkové běhy zpracují 1–5 000 dokumentů najednou.
Zdroje
- HHS OCR Healthcare Breach Statistics 2024 – VERIFIED-EXTERNAL
- IBM Cost of a Data Breach Report 2025 – VERIFIED-EXTERNAL
- arXiv:2509.14464 – LLM De-Identification Survey (2025) – VERIFIED-EXTERNAL
- DeepStrike: Healthcare Data Breaches 2025 Statistics – VERIFIED-EXTERNAL
- IntuitionLabs: Open-Source PHI De-Identification Tools – VERIFIED-EXTERNAL