By · Last updated 2026-04-30

Tilbage til BlogSundhedspleje

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.

April 30, 20268 min læsning
custom MRN detectionHIPAA pipeline configurationno-code regexAI pattern helperhospital identifier de-identification

MRN-formatproblemet

USA har ca. 6.100 hospitaler. Hvert hospital kører sit eget EHR-system. Hvert hospital bruger sit eget format til Medical Record Numbers. Der findes ingen national standard. The Joint Commission kræver, at hospitaler kan identificere patienter — men stiller ingen krav til formatet.

Formaterne varierer markant. Nogle er 7-cifrede heltal. Andre er 8-cifrede heltal. Nogle bruger præfikser som HOSP-, MRN- eller PT-. Andre tilføjer institutionskoder som SVHS- eller CHOP-. Visse formater indlejrer tilmeldingsåret i nummeret.

HIPAA Safe Harbor opfører patientjournalnumre som identifikatortype 8 af 18. (45 CFR §164.514(b)(2)) Alle 18 skal fjernes. Reglen begrænser ikke dette til ét bestemt format. Bruger dit hospital et brugerdefineret format, skal du detektere det. Et værktøj, der overser det, fejler Safe Harbor — også selv om det fjerner alle 17 andre typer.

Hvorfor tilgangen med kode fejler

Standardmetoden til at tilføje et brugerdefineret journalnummerformat til en afidentificeringspipeline er at udvide Microsoft Presidio. Det kræver Python.

En udvikler opretter en klasse, der nedarver fra EntityRecognizer. De skriver regex'en, kobler den til Presidios register, tester og vedligeholder den. For overholdelsesansvarlige — der sjældent koder — er dette en hård barriere. Hvert formatskifte kræver en ingeniør.

Sundhedsingeniører har travlt. De fokuserer på EHR-integration og kliniske systemer. Overholdelsesværktøjer er sjældent deres højeste prioritet.

Arbejdsgangen med guidet mønsterbuilder

Den guidede mønster-tilgang eliminerer kodningssteget.

En overholdelsesansvarlig åbner Custom Entity Creator i webappen. De indsætter fem eksempelnumre fra deres system — f.eks.:

SVHS-0012345
SVHS-0987654
SVHS-1122334
SVHS-4455667
SVHS-8899001

De klikker på Generer mønster. AI'en læser strukturen og returnerer:

  • Mønster: SVHS-\d{7}
  • Tillid: høj
  • Foreslået navn: HOSPITAL-MRN
  • Foreslået erstatning: [MRN]

Den ansvarlige indsætter fem eksempler mere. Mønsteret godkendes. De gemmer det i HIPAA-forudindstillingen.

Fra det tidspunkt detekterer alle sessioner — webapp, Office-tilføjelsesprogrammet, Desktop App og API — dette format i den standardiserede PHI-gennemgang. Ingen kode nødvendig.

GDPR-forskningsmæssig note

GDPR artikel 89 kræver pseudonymisering af forskningsdatasæt. Brugerdefinerede entiteter bringer institutionsspecifikke identifikatorer inden for dækning — og lukker det hul, som generiske værktøjer efterlader.

Hvad du opnår

Denne arbejdsgang tager en eftermiddag. Tilpasset kode tager uger.

Den overholdelsesansvarlige definerer mønsteret, tester det og igangsætter det. Ingen billet. Ingen ventetid. Forudindstillingen indeholder den brugerdefinerede entitet side om side med de 17 standardidentifikatorer i Safe Harbor.

Når den næste batch kliniske noter behandles, er alle 18 identifikatortyper dækket. Safe Harbor er opfyldt.

Se HIPAA Safe Harbor-afidentificering til sundhedsforskning for, hvordan Safe Harbor fungerer i praksis. For hospitalspecifikke detektionsmønstre, se detektion af hospitalspecifikke MRN-formater uden ingeniørhjælp.

Kilder

Klar til at beskytte dine data?

Begynd at anonymisere PII med 285+ enhedstyper på tværs af 48 sprog.

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 servers live in Falkenstein, Germany.

We use Hetzner. They hold 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

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.