By · Last updated 2026-05-30

Tilbage til BlogSundhedspleje

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.

May 30, 20267 min læsning
HIPAA Safe Harbormedical record numbersMRN detectionhealthcare compliancecustom PII patterns

Opdateret for 2026

HIPAA Safe Harbor De-Identifikation: Detektion af Hospitalspecifikke MRN-Formater Uden Teknikhjælp

HIPAA Safe Harbor kræver fjernelse af medicinske journalnumre. Dette er en af 18 krævede ID-typer. Det lyder enkelt. Problemet er, at MRN-formater ikke er standardiserede.

Epic bruger ét format. Cerner bruger et andet. Meditech bruger endnu et. Hvert hospital tilføjer sine egne koder. Regionale sundhedsgrupper skaber endnu flere formater. Et standard PII-værktøj kan ikke kende dit format. Det vil misse dine MRN'er.

Dette er ikke en lille risiko. Healthcare IT-teams finder ofte MRN'er stadig i datasæt, der var tiltænkt at blive de-identificerede. Værktøjet var kun sat op til almindelige PII-typer.

MRN-Formatproblemet

USA har ingen national standard for medicinske journalnumre. Hvert hospital eller EHR-leverandør definerer sit eget format.

Almindelige observerede mønstre:

  • Epic-stil: 8–12-cifret numerisk (f.eks. 123456789)
  • Cerner-stil: Hospitalskodepræfiks + numerisk (f.eks. MGH-987654)
  • Regionale netværk: Facilitetskode + år + sekvens (f.eks. HOSP-2023-456789)
  • Veterans Affairs: 9-cifret med et checkcifre
  • Pædiatriske systemer: Patienttypepræfiks + numerisk (f.eks. PED-12345678)

Ingen enkelt regel matcher alle disse. Der er intet universelt MRN-mønster.

Hvad standard PII-værktøjer opfanger: De fleste HIPAA-værktøjer fokuserer på ID'er med fast format. SSN'er følger XXX-XX-XXXX. Telefonnumre følger XXX-XXX-XXXX. E-mailadresser har en klar form. Disse er lette at finde.

MRN'er, kontonumre og licensnumre er HIPAA-typer 8, 10 og 11. Disse varierer efter hospital. De kræver brugerdefineret opsætning. Et generisk værktøj opfanger dem ikke.

Compliance-Kløften

Et regionalt hospital ønsker at dele patientdata med en universitetsforskningspartner. Deres EHR bruger dette MRN-format: HOSP-ÅÅÅÅ-XXXXXX.

De kører dataene gennem deres HIPAA-værktøj. Værktøjet fjerner navne, datoer, telefonnumre og SSN'er. Det fjerner ikke MRN'er. HOSP-2023-456789 matcher ingen indbygget regel.

Forskeren får datasættet. De joiner det mod deres egne journaler. Disse journaler inkluderer MRN'er fra tidligere henvisninger på det samme hospital. Mange patienter kan nu genidentificeres. Hospitalet har en HIPAA-overtrædelse.

Dette er en reel fejlmode. Se også HIPAA Safe Harbor de-identifikation til sundhedsforskning for mere om, hvor Safe Harbor bryder sammen.

Løsningen: Oprettelse af Brugerdefinerede Enheder

Løsningen er at definere dit MRN-format som en brugerdefineret enhed. En compliance-ansvarlig kan gøre dette. Ingen tekniker er nødvendig.

Trin:

  1. Skriv formatet ud: "Starter med HOSP, derefter en bindestreg, et 4-cifret år, en bindestreg og et 6-cifret tal"

  2. Brug et AI-værktøj til at bygge regex'en: HOSP-\d{4}-\d{6}

  3. Test det på 20 udskrivningssammenfatninger. Bekræft, at det opfanger alle MRN'er.

  4. Gem det som en brugerdefineret enhed kaldet "Hospital MRN"

  5. Føj det til din HIPAA-forudindstilling ved siden af de standard 17 ID-typer

Denne proces tager en compliance-ansvarlig ca. 3 dage. Opbygning af brugerdefineret kode kan tage 3 måneder.

Eksempel: 15-Facility Hospitalnetværk

Organisation: 15-facility regionalt hospitalnetværk

MRN-format: HOSP-ÅÅÅÅ-XXXXXX (i tusindvis af udskrivningssammenfatnings-PDF'er)

Mål: Dele et forskningsdatasæt med en universitetspartner under en HIPAA-databrugsaftale

Gammel tilgang: Ekstern de-identifikationsleverandør til 120.000 dollar om året

Kløft fundet: Leverandørværktøjet registrerede ikke det institutionspecifikke MRN-format

Ny arbejdsgang:

  1. Compliance-ansvarlig definerer MRN-mønsteret — 20 minutter
  2. AI validerer regex'en — 5 minutter
  3. Test på 50 stikprøvesammenfatninger — 30 minutter
  4. Bekræft, at ingen MRN'er forbliver, ingen falske positiver — 10 minutter
  5. Tilføj den brugerdefinerede enhed til HIPAA-forudindstillingen
  6. Kør det fulde datasæt på 50.000 journaler i batch

Samlet tid til at lukke kløften: én eftermiddag.

Multi-Facility-Netværk: Flere MRN-Formater

Hospitalnetværk bygget gennem fusioner kører ofte flere EHR-systemer. Hvert legacysystem kan bruge et andet MRN-format.

Sådan håndteres dette:

Opret en separat brugerdefineret enhed for hvert format:

  • "MRN-format A (Epic)" — 8-cifret numerisk
  • "MRN-format B (legacy Cerner)" — præfiks + 7-cifret numerisk
  • "MRN-format C (erhvervet affiliate)" — statskode + år + sekvens

Én forudindstilling indeholder alle tre brugerdefinerede enheder plus de standard HIPAA ID-typer. Hvert dokument fra hver facilitet vil have sine MRN'er fjernet.

Se brugerdefineret MRN-detektion i HIPAA-pipelines uden kode for en trin-for-trin vejledning til dette multi-format-setup.

Ud Over MRN'er: Andre Ikke-Standardiserede Identifikatorer

Den samme tilgang virker for andre HIPAA Safe Harbor ID-typer.

Sundhedsplanens medlemsnumre (Kategori 9): Hver forsikringsgiver bruger sit eget format. Aetna, Blue Cross og United Healthcare ser alle anderledes ud. Et fakturerteam har brug for et brugerdefineret mønster for hver betaler.

Kontonumre (Kategori 10): Hospitalers faktureringskontonumre varierer efter hospital.

Licensnumre (Kategori 11): DEA-numre har et standardiseret føderalt format. Staternes medicinske licensnumre gør det ikke. Hvert statsråd bruger sit eget format.

Enhedsidentifikatorer (Kategori 14): Serienumre på medicinsk udstyr fastsættes af hver producent.

For hver af disse lukker en brugerdefineret enhed kløften. Ingen teknikere er nødvendige.

Se brugerdefinerede PII-identifikatorer til organisatorisk anonymisering for mere om ikke-standardiserede ID-typer.

Validering: Bevis for Safe Harbor-Compliance

HIPAA Safe Harbor siger, at den dækkede enhed ikke må have "aktuel viden" om, at dataene kan identificere nogen. (45 CFR §164.514(b)(1))

Brugerdefineret enheds-validering beviser, at alle 18 ID-typer er dækket.

Valideringstrin:

  1. Behandl 50–100 stikprøvedokumenter fra forskningsdatasættet
  2. Gennemgå outputtet — ser noget ud som et ID?
  3. Kør et andet detektionspas for at opfange eventuelle mistede elementer
  4. Dokumentér, hvad du gjorde

Din brugerdefinerede enheds-opsætning, stikprøvegennemgang og behandlingslogfiler udgør din Safe Harbor-registrering.

Konklusion

Standard PII-værktøjer med standardindstillinger fuldfører ikke HIPAA Safe Harbor de-identifikation. Medicinske journalnumre er hospitalspecifikke. De kræver brugerdefineret detektion.

Oprettelse af brugerdefinerede enheder lukker denne kløft på få timer. Compliance-ansvarlige kan definere mønsteret, teste det og behandle data. Intet teknikarbejde er nødvendigt.

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.