HIPAA MRN-detektion uden en regex-doktorgrad
Hvert hospitals MRN-format er forskelligt. Memorial bruger MRN:XXXXXXX, St. Mary's bruger PT-YYYYY, University Hospital bruger UHN-XXXXXXXXXX.
HIPAA: Detektion af Hospitalspecifikke MRN-Formater
HIPAA Safe Harbor kræver fjernelse af medicinske journalnumre — men MRN-formater er ikke standardiserede. Epic, Cerner og Meditech bruger alle forskellige formater, der misses af generiske PII-værktøjer.
HIPAA Safe Harbor-de-ID i skala
HIPAA Safe Harbor kræver fjernelse af 18 specifikke PHI-identifikatorkategorier. Akademiske medicinske centre har brug for de-identifikation i skala, men eksisterende værktøjer.
ISO 27001 og HIPAA BAA'er inden for sundhedssektoren
HIPAA's Business Associate Agreements kræver 'tilfredsstillende forsikringer' om passende sikkerhedsforanstaltninger. ISO 27001 er direkte forenelig med HIPAA 164.
Brugerdefineret MRN-detektion uden kode til HIPAA
Medical Record Numbers er hospitalspecifikke — hvert sundhedssystem bruger sit eget format. HIPAA Safe Harbor kræver, at MRN'er fjernes.
18 HIPAA-identifikatorer dit værktøj overser
HIPAA lister 18 PHI-identifikatorkategorier. De fleste anonymiseringsværktøjer opdager måske 6 af dem. Medicinske journalnumre varierer efter institution uden noget standardformat.
Reversibel kryptering til genkontakt i forskning
Du kan ikke kontakte Patient_001 til en opfølgende konsultation. IRB'er kræver nu dokumenterede re-identifikationsprotokoller — bevis for at du KAN re-identificere under godkendte betingelser.
Reversibel de-identifikation i klinisk forskning
Når en undersøgelse finder uventet biomarkørrisiko hos 47 ud af 5.000 deltagere, skal forskerne kunne kontakte de rigtige patienter. Kun 23% af anonymiseringsværktøjer tilbyder reel reversibilitet.
HIPAA-kompatibel ChatGPT med browserbeskyttelse
77% af medarbejdere deler følsomme arbejdsoplysninger med AI-værktøjer mindst ugentligt. Realtids browser-PII-opsnappelse reducerer lækagetilfælde med 94%.
Batchbehandling af 50.000 kliniske noter lokalt
En dom fra SDNY i februar 2026 fastslog, at AI-behandlede dokumenter mister advokatklients privilegium, hvis de ikke anonymiseres inden behandlingen.
LLM-er overser 50 % af klinisk PHI
En undersøgelse fra 2025 viste, at LLM-er overser mere end 50 % af klinisk PHI i flersprogede dokumenter. 34,8 % af alle ChatGPT-input indeholder følsomme data.
Forklarlig anonymisering: HIPAA-revisioner
HIPAA Expert Determination kræver dokumenteret metode. Juridisk e-discovery kræver grundlag pr. redigering. 34 % af DPO'er rapporterer om utilstrækkelige værktøjer til compliance-dokumentation.
HIPAA i skyen: Zero-knowledge til PHI
Business Associate Agreements forhindrer ikke HIPAA-overtrædelser, når din cloud-AI-leverandør behandler PHI i klartekst. Her er hvad zero-knowledge-arkitektur faktisk giver dig.
Når CISO'er siger nej til cloud-behandling af PHI
725 sundhedsdatabrud i 2024 berørte 275 millioner journaler. Med gennemsnitlige brudomkostninger på 10,22 mio. dollars – de højeste i enhver branche – afviser sundhedssektorens CISO'er cloud-behandling af patientdata.
HHS 2025: AI-kliniske noter kræver PHI-beskyttelse
AI-transskriptionssystemer kan utilsigtet placere Patient A's PHI i Patient B's journal. Her er, hvorfor realtids-PHI-detektion før EHR-commit er den rette kontrol.
Håndskrevne Formularer: OCR og PII-Detektion
Et mellemstort hospital behandler 50.000 håndskrevne indlæggelsesskemaer om året. Manuel PII-redigering i dette omfang kræver 0,5 fuldtidsstilling.
HIPAA OCR: 725 Brud, 275 Millioner Journaler
HHS Office for Civil Rights registrerede 725 brud på sundhedsdata i 2024 — det højeste antal nogensinde. Gennemsnitlige omk. pr. brud: 10,22 mio. USD. Hvad ændrer sig med den foreslåede HIPAA Security Rule-opdatering?
PHI-detektion: Snow Labs 96% vs GPT-4o
Ikke alle de-identifikationsværktøjer er ens. ECIR 2025-benchmarks viser F1-scorer fra 79% til 96%. Lær, hvorfor nøjagtighed er afgørende, og hvordan du evaluerer værktøjer.
$7,42 mio.: Sundhedssektorens brudomkostninger er de højeste
Sundhedssektoren har været den dyreste branche for databrud i 14 år i træk. Lær, hvorfor PHI er så værdifuldt, og hvordan du beskytter det.
Begynd at Beskytte Dine Data I Dag
285+ enhedstyper, 48 sprog, virksomhedskvalitetssikkerhed til opstartspriser.
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.