By · Last updated 2026-04-28

Volver al BlogSalud

Los 18 identificadores de HIPAA que probablemente...

HIPAA enumera 18 identificadores de PHI. La mayoría de las herramientas de anonimización detectan tal vez 6 de ellos.

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

18 identificadores HIPAA que su herramienta pasa por alto

Actualizado para 2026.

HIPAA lista 18 categorías de identificadores PHI. La mayoría de las herramientas de anonimización detectan quizás seis. Las otras doce se escapan — y cada una es una brecha de cumplimiento.

La regla Safe Harbor

La Regla de Privacidad de HIPAA (45 CFR § 164.514) define el método de des-identificación Safe Harbor. Todas las 18 categorías de identificadores deben eliminarse. Elimínelas todas y los datos están des-identificados por ley. Por eso Safe Harbor es popular: es aprobado o reprobado, sin margen de criterio.

Las 18 categorías son:

  1. Nombres
  2. Datos geográficos menores que un estado — dirección, ciudad, condado, código postal
  3. Fechas excepto el año — nacimiento, ingreso, alta, defunción
  4. Números de teléfono
  5. Números de fax
  6. Direcciones de correo electrónico
  7. Códigos de seguridad social
  8. Identificadores de historia clínica (MRN)
  9. Códigos de beneficiario de plan de salud
  10. Identificadores de cuenta
  11. Códigos de certificado y licencia
  12. Identificadores de vehículo y números de serie
  13. Identificadores de dispositivo y números de serie
  14. URL web
  15. Direcciones IP
  16. Identificadores biométricos — huellas digitales, huellas de voz
  17. Fotografías de rostro completo e imágenes similares
  18. Cualquier otro código o valor de identificación único

La mayoría de las herramientas manejan bien las categorías 1, 4, 6 y 7. Pasan por alto con regularidad las categorías 8, 9, 10, 11, 13 y 18.

La brecha del MRN

Los identificadores de historia clínica están en la categoría 8. Los formatos MRN los define cada hospital. No existe un formato nacional estándar en los EE. UU.

El hospital A usa un entero de 7 dígitos. El hospital B usa "PT-AAAANNNN". El hospital C usa una cadena alfanumérica de 8 caracteres. El hospital D escribe "MRN:" antes de un código de 9 dígitos.

Una herramienta genérica no marcará "PT-2024-8847" como PHI. El documento supera las verificaciones de des-identificación. Pero no está des-identificado. No se activa ninguna alerta. El equipo cree que el trabajo está hecho. No lo está.

Este es el peor tipo de brecha: una silenciosa.

Tres formas de cerrarla

Codifíquela en Presidio. Esto requiere conocimientos de Python y mantenimiento continuo. Funciona pero cuesta tiempo.

Agregue revisión manual. Una persona revisa cada documento en busca de MRN. Esto no escala.

Use creación de entidades personalizadas asistida por IA. No se necesita código. El equipo proporciona valores de muestra. La IA construye el patrón.

Así funciona: un equipo proporciona cinco valores MRN de muestra: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. La IA devuelve SVHS-\d{7} y lo verifica con las muestras. El equipo lo guarda en su preset HIPAA. Todas las sesiones futuras detectan el formato. El mismo enfoque funciona para códigos de beneficiario y códigos de serie de dispositivos.

Vea cómo funcionan los presets en la guía de detección MRN de HIPAA. Aprenda sobre el flujo de trabajo de patrones de IA.

El supuesto oculto

Muchos equipos prueban con un documento de muestra que tiene un nombre y un número de teléfono. La herramienta pasa. Asumen cobertura completa. Pero las muestras rara vez incluyen identificadores específicos de la institución. Los MRN y los códigos de beneficiario parecen cadenas aleatorias para una herramienta genérica. Pasan sin ser marcados.

Una auditoría Safe Harbor real asigna las 18 categorías a un método de detección. Para la categoría 8, verifique con muestras MRN reales de su propio hospital. No asuma que la herramienta conoce su formato.

Consulte el marco completo en nuestra descripción general de cumplimiento HIPAA.

Conclusión

Safe Harbor requiere eliminar las 18 categorías de identificadores. Las herramientas genéricas cubren muchas menos. Las brechas — MRN, códigos de beneficiario, códigos de serie de dispositivos — no tienen formato estándar, por lo que las herramientas genéricas las omiten. Las entidades personalizadas asistidas por IA cierran la brecha sin código ni revisión manual.

Fuentes

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip: Tipos de identificadores PHI en des-identificación de salud — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR: Guía de des-identificación actualizada en 2024 — hhs.gov. VERIFIED.

¿Listo para proteger sus datos?

Comience a anonimizar PII con más de 285 tipos de entidades en 48 idiomas.

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.