By · Last updated 2026-04-11

بازگشت به وبلاگبهداشت و درمان

پردازش دسته‌ای ۵۰ هزار یادداشت بالینی به صورت محلی

یک حکم قضایی SDNY در فوریه ۲۰۲۶ اعلام کرد اسناد پردازش‌شده توسط هوش مصنوعی در صورت عدم ناشناس‌سازی قبلی، مصونیت وکیل-موکل را از دست می‌دهند.

April 11, 20268 دقیقه مطالعه
batch PHI de-identificationclinical notes processingHIPAA local processingresearch dataset complianceIRB requirements

اجرای ۵۰ هزار یادداشت بالینی به صورت محلی: راهنمای HIPAA

تیم‌های پژوهشی که نیاز به شناسایی‌زدایی از آرشیوهای بزرگ یادداشت دارند با یک شکاف رایج روبرو هستند. ابزارهای ابری اغلب نمی‌توانند حجم را مدیریت کنند. بسیاری از مقررات کار را در محل ملزم می‌کنند. بررسی دستی خیلی طولانی است. اجرای دسته‌ای محلی پاسخ است.

این راهنما قوانین کلیدی، راه‌اندازی و سوابق مورد نیاز را پوشش می‌دهد.

مرور انطباق و رویه‌های امنیتی ما را ببینید تا بدانید چگونه از HIPAA پشتیبانی می‌کنیم.

چرا ابر اینجا کار نمی‌کند

روش تعیین متخصص HIPAA معیار روشنی تعیین می‌کند. داده‌های شناسایی‌زدایی‌شده باید «خطر بسیار کمی» از شناسایی مجدد داشته باشند. یک فرد واجد شرایط باید آن را تایید کند. یک IRB که تحقیقات با داده‌های بیمار شناسایی‌زدایی‌شده را تایید می‌کند نیز به سوابق نیاز دارد. باید روش مورد استفاده، انواع موجودیت‌های حذف‌شده و بررسی‌های کیفی اعمال‌شده را مستند کنید.

این الزام سوابق‌نگاری کلیدی است. شناسایی‌زدایی نمی‌تواند یک جعبه سیاه باشد. باید نشان دهید چه چیزی پیدا شد، چه چیزی حذف شد و چگونه نتیجه را بررسی کردید.

آپلود ۵۰۰٬۰۰۰ فایل به یک API ابری کند و پرهزینه است. محدودیت‌های نرخ و زمان انتقال طولانی آن را دشوار می‌کند. اجرای ابری به ندرت برای مجموعه‌داده‌های بزرگ پژوهشی عملی است.

HIPAA نگرانی دومی هم اضافه می‌کند. ارسال اطلاعات سلامت محافظت‌شده (PHI) به یک شریک تجاری — حتی یک فروشنده شناسایی‌زدایی — نیازمند قرارداد شریک تجاری (BAA) است. برای تحقیقات IRB، قوانین BAA ممکن است با شرایط استفاده از داده IRB تقاطع داشته باشند. بررسی حقوقی اغلب لازم است. اجرای محلی نگرانی انتقال داده را کاملاً از بین می‌برد.

چرا پرونده مصونیت اهمیت دارد

یک حکم SDNY در فوریه ۲۰۲۶ اعلام کرد اسناد پردازش‌شده توسط هوش مصنوعی در صورت عدم ناشناس‌سازی قبلی، مصونیت وکیل-موکل را از دست می‌دهند. دادگاه اعلام کرد ارسال اسناد محرمانه به یک سرویس هوش مصنوعی خارجی یک افشاگری محسوب می‌شود. این افشاگری مصونیت محتوای تحلیل‌شده را نقض کرد.

موازی پزشکی روشن است. یادداشت‌های پزشک ارسال‌شده به ابزارهای NLP ابری خطر مشابهی دارند. سوابق روان‌درمانگر ارسال‌شده به سرویس‌های هوش مصنوعی خارجی نیز همین‌طور. اجرای محلی — جایی که اسناد هرگز سایت شما را ترک نمی‌کنند — از این خطر جلوگیری می‌کند.

راهنمای ما درباره HIPAA ابری و PHI با دانش صفر را ببینید.

نحوه راه‌اندازی برای ۵۰ هزار یادداشت

اندازه دسته: اپلیکیشن دسکتاپ بسته به طرح شما ۱ تا ۵٬۰۰۰ فایل در هر دسته مدیریت می‌کند. ده دسته ۵٬۰۰۰ تایی تمام ۵۰٬۰۰۰ یادداشت را در یک شغل شبانه پوشش می‌دهد. بین این مراحل هیچ قدم دستی لازم نیست.

سرعت: پردازش ۱ تا ۵ فایل به طور همزمان خروجی را افزایش می‌دهد. یک شغل شبانه واحد کل مجموعه را بدون کار اضافه تکمیل می‌کند.

انواع موجودیت: انواع خاص بهداشت شامل فرمت‌های MRN، شماره‌های NPI، شماره‌های DEA، شناسه‌های بیمه درمانی و فرمت‌های تاریخ HIPAA است. یک بار در یک پیش‌تنظیم نام‌گذاری‌شده تنظیم کنید. آن پیش‌تنظیم برای هر دسته اعمال می‌شود. شناسایی‌زدایی در تمام فایل‌ها یکسان باقی می‌ماند.

گزارش‌های حسابرسی: هر کار دسته‌ای یک فایل CSV یا JSON صادر می‌کند. نام فایل، انواع موجودیت پیدا شده، نمره‌های اطمینان و یک مهر زمانی را ثبت می‌کند. این گزارش الزام تعیین متخصص IRB را برآورده می‌کند. می‌توانید نشان دهید در هر فایل چه چیزی پیدا و حذف شد.

چک‌لیست سوابق IRB

قبل از ثبت پروتکل IRB خود تایید کنید که می‌توانید نشان دهید:

  • نام و نسخه ابزار شناسایی‌زدایی
  • فهرست کامل انواع موجودیت در پیش‌تنظیم
  • نتایج آزمایش بر روی نمونه آزمایشی
  • گزارش‌های دسته برای هر اجرا (نام فایل، تعداد موجودیت، مهر زمانی)
  • اثبات اینکه هیچ PHI محیط محلی شما را ترک نکرده

اجراهای دسته‌ای محلی تولید هر مورد را آسان می‌کند. گزارش‌ها به صورت خودکار تولید می‌شوند. پیش‌تنظیم ذخیره و نسخه‌بندی می‌شود. مرز سایت مشخص است.

منابع

آماده‌اید داده‌های خود را محافظت کنید؟

شروع به ناشناس‌سازی PII با بیش از ۲۸۵ نوع نهاد در ۴۸ زبان.

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.