By · Last updated 2026-04-28

Zurück zum BlogGesundheitswesen

Die 18 HIPAA-Identifikatoren, die Ihr PII-Tool...

HIPAA listet 18 PHI-Identifikatoren auf. Die meisten Anonymisierungstools erkennen vielleicht 6 davon.

April 28, 20269 min Lesezeit
HIPAA 18 identifiersPHI complete detectionMRN detectionNPI DEA numbersHIPAA Safe Harbor compliance

18 HIPAA-Identifikatoren, die Ihr Tool übersieht

Aktualisiert für 2026.

HIPAA listet 18 PHI-Identifikatorkategorien auf. Die meisten Anonymisierungstools erkennen vielleicht sechs davon. Die anderen zwölf schlüpfen durch — jede einzelne ist eine Compliance-Lücke.

Die Safe-Harbor-Regel

HIPAAs Privacy Rule (45 CFR § 164.514) definiert die Safe-Harbor-De-Identifikation. Alle 18 Identifikatorkategorien müssen entfernt werden. Werden alle entfernt, gelten die Daten nach dem Gesetz als de-identifiziert. Deshalb ist Safe Harbor beliebt: Es ist ein Bestehen oder Scheitern — kein Ermessensspielraum.

Die 18 Kategorien sind:

  1. Namen
  2. Geografische Daten kleiner als ein Bundesstaat — Straße, Stadt, Landkreis, PLZ
  3. Daten außer dem Jahr — Geburt, Aufnahme, Entlassung, Tod
  4. Telefonnummern
  5. Faxnummern
  6. E-Mail-Adressen
  7. Sozialversicherungskennzeichen
  8. Patientenaktenkennzeichen (MRNs)
  9. Krankenkassen-Mitgliedskennzeichen
  10. Kontokennzeichen
  11. Zertifikats- und Lizenzkennzeichen
  12. Fahrzeugkennzeichen und Seriennummern
  13. Gerätekennzeichen und Seriennummern
  14. Web-URLs
  15. IP-Adressen
  16. Biometrische Kennzeichen — Fingerabdrücke, Stimmabdrücke
  17. Vollgesichtsfotos und ähnliche Bilder
  18. Jede andere eindeutige Kennzahl oder jeder eindeutige Code

Die meisten Tools verarbeiten die Kategorien 1, 4, 6 und 7 gut. Sie übersehen regelmäßig 8, 9, 10, 11, 13 und 18.

Die MRN-Lücke

Patientenaktenkennzeichen befinden sich in Kategorie 8. MRN-Formate werden von jedem Krankenhaus festgelegt. Es gibt keinen nationalen US-Standard.

Krankenhaus A verwendet eine 7-stellige Ganzzahl. Krankenhaus B verwendet „PT-YYYYNNNN". Krankenhaus C verwendet eine 8-stellige alphanumerische Zeichenfolge. Krankenhaus D schreibt „MRN:" vor einen 9-stelligen Code.

Ein generisches Tool erkennt „PT-2024-8847" nicht als PHI. Das Dokument besteht die De-Identifikationsprüfungen. Aber es ist nicht de-identifiziert. Kein Alarm wird ausgelöst. Das Team glaubt, die Arbeit sei getan. Ist sie nicht.

Das ist die schlimmste Art von Lücke: eine stille.

Drei Wege zur Behebung

In Presidio codieren. Dies erfordert Python-Kenntnisse und laufende Pflege. Es funktioniert, kostet aber Zeit.

Manuelle Überprüfung hinzufügen. Eine Person prüft jedes Dokument auf MRNs. Das ist nicht skalierbar.

KI-gestützte benutzerdefinierte Entitätserstellung verwenden. Kein Code erforderlich. Das Team liefert Beispielwerte. Die KI erstellt das Muster.

So funktioniert es: Ein Team gibt fünf Beispiel-MRN-Werte an: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. Die KI gibt SVHS-\d{7} zurück und prüft es gegen die Beispiele. Das Team speichert es in seinem HIPAA-Preset. Alle zukünftigen Sitzungen erkennen das Format. Der gleiche Ansatz funktioniert für Mitgliedskennzeichen und Geräte-Seriennummern.

Mehr über Presets im HIPAA-MRN-Erkennungsleitfaden. Mehr zum KI-Muster-Workflow.

Die versteckte Annahme

Viele Teams testen mit einem Beispieldokument, das einen Namen und eine Telefonnummer enthält. Das Tool besteht den Test. Sie nehmen vollständige Abdeckung an. Aber Beispiele enthalten selten institutionsspezifische Kennzeichen. MRNs und Mitgliedskennzeichen sehen für ein generisches Tool wie zufällige Zeichenfolgen aus. Sie passieren ohne Markierung.

Ein echter Safe-Harbor-Audit ordnet alle 18 Kategorien einer Erkennungsmethode zu. Für Kategorie 8 sollte mit echten MRN-Beispielen aus dem eigenen Krankenhaus geprüft werden. Nicht einfach annehmen, dass das Tool das Format kennt.

Den vollständigen Rahmen finden Sie in unserer HIPAA-Compliance-Übersicht.

Fazit

Safe Harbor verlangt, dass alle 18 Identifikatorkategorien entfernt werden. Generische Tools decken weit weniger ab. Die Lücken — MRNs, Mitgliedskennzeichen, Geräte-Seriennummern — haben kein Standardformat, deshalb verpassen generische Tools sie. KI-gestützte benutzerdefinierte Entitäten schließen die Lücke ohne Code oder manuelle Überprüfung.

Quellen

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip: PHI-Identifikatortypen in der Gesundheitsde-Identifikation — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR: De-Identifikationsleitfaden, aktualisiert 2024 — hhs.gov. VERIFIED.

Bereit, Ihre Daten zu schützen?

Beginnen Sie mit der Anonymisierung von PII mit über 285 Entitätstypen in 48 Sprachen.

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.