By · Last updated 2026-04-30

بازگشت به وبلاگبهداشت و درمان

تشخیص MRN سفارشی بدون کد برای HIPAA

شماره پرونده پزشکی به هر بیمارستان بستگی دارد — هر سیستم بهداشتی فرمت متفاوتی دارد. HIPAA Safe Harbor حذف MRN را الزامی می‌کند.

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

مشکل فرمت MRN

ایالات متحده حدود ۶۱۰۰ بیمارستان دارد. هر کدام سیستم پرونده الکترونیک سلامت (EHR) خود را اجرا می‌کنند. هر کدام از فرمت شماره پرونده پزشکی (MRN) خود استفاده می‌کنند. هیچ استاندارد ملی وجود ندارد. کمیسیون مشترک الزام می‌کند که بیمارستان‌ها بتوانند بیماران را شناسایی کنند — اما هیچ قانون فرمتی ندارد.

فرمت‌ها بسیار متفاوتند. برخی از اعداد صحیح ۷ رقمی استفاده می‌کنند. برخی دیگر از اعداد صحیح ۸ رقمی. برخی از کدهای پیشوند مانند HOSP-، MRN- یا PT- استفاده می‌کنند. برخی دیگر کدهای موسسه مانند SVHS- یا CHOP- اضافه می‌کنند. برخی سال ثبت‌نام را در عدد جاسازی می‌کنند.

HIPAA Safe Harbor شماره‌های پرونده بیمار را به‌عنوان نوع شناسه ۸ از ۱۸ فهرست می‌کند. (45 CFR §164.514(b)(2)) تمام ۱۸ مورد باید حذف شوند. این قانون هیچ فرمتی را محدود نمی‌کند. اگر بیمارستان شما از یک فرمت سفارشی استفاده می‌کند، باید آن را تشخیص دهید. ابزاری که آن را از دست می‌دهد از Safe Harbor خارج می‌شود — حتی اگر ۱۷ نوع دیگر را حذف کند.

چرا رویکرد کدنویسی شکست می‌خورد

روش استاندارد برای افزودن فرمت شماره پرونده سفارشی به یک pipeline حذف شناسه، گسترش Microsoft Presidio است. این به معنای نوشتن Python است.

یک توسعه‌دهنده کلاسی می‌نویسد که EntityRecognizer را گسترش می‌دهد. آن‌ها عبارت منظم را می‌نویسند، آن را در رجیستری Presidio سیم‌کشی می‌کنند، آزمایش می‌کنند و نگهداری می‌کنند. برای تیم‌های انطباق — که به‌ندرت کد می‌نویسند — این یک مانع جدی است. هر تغییر فرمت نیاز به یک مهندس دارد.

مهندسان بهداشت و درمان مشغول هستند. آن‌ها بر یکپارچگی EHR و سیستم‌های بالینی تمرکز می‌کنند. ابزارهای انطباق به‌ندرت اولویت اول آن‌هاست.

گردش کار الگوی بدون کد

رویکرد الگوی هدایت‌شده مرحله کدنویسی را حذف می‌کند.

یک مسئول انطباق سازنده نهاد سفارشی را در برنامه وب باز می‌کند. پنج نمونه شماره از سیستمشان جای‌گذاری می‌کنند — برای مثال:

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

روی Generate Pattern کلیک می‌کنند. هوش مصنوعی ساختار را می‌خواند و برمی‌گرداند:

  • الگو: SVHS-\d{7}
  • اطمینان: بالا
  • نام پیشنهادی: HOSPITAL-MRN
  • جایگزینی پیشنهادی: [MRN]

مسئول پنج نمونه دیگر جای‌گذاری می‌کند. الگو با موفقیت عبور می‌کند. آن را در پیش‌تنظیم HIPAA ذخیره می‌کند.

از آن نقطه به بعد، هر جلسه — برنامه وب، Office Add-in، Desktop App و API — این فرمت را در پاس PHI استاندارد تشخیص می‌دهد. بدون نیاز به کد.

نکته تحقیقاتی GDPR

ماده ۸۹ GDPR برای مجموعه داده‌های تحقیقاتی به کاذب‌سازی شناسه نیاز دارد. نهادهای سفارشی شناسه‌های خاص موسسه را در دامنه قرار می‌دهند — شکافی که ابزارهای عمومی باز می‌گذارند را می‌بندد.

آنچه به دست می‌آورید

این گردش کار یک بعد از ظهر می‌برد. کد سفارشی هفته‌ها.

مسئول انطباق الگو را تعریف می‌کند، آزمایش می‌کند و آن را مستقر می‌کند. بدون تیکت. بدون انتظار. پیش‌تنظیم نهاد سفارشی را در کنار ۱۷ شناسه استاندارد Safe Harbor نگه می‌دارد.

وقتی دسته بعدی یادداشت‌های بالینی اجرا می‌شود، تمام ۱۸ نوع شناسه پوشش داده می‌شوند. Safe Harbor کامل است.

برای نحوه عملکرد Safe Harbor در عمل، حذف شناسه HIPAA Safe Harbor برای تحقیقات بهداشتی را ببینید.

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.