By · Last updated 2026-06-05

بازگشت به وبلاگGDPR و انطباق

Datatilsynet: GDPR داده‌های بهداشتی دانمارک

مرجع دانمارکی Datatilsynet در سال ۲۰۲۴ تعداد ۳۱ پرونده GDPR بررسی کرد؛ ۱۴ مورد از آن‌ها به سیستم‌های داده بهداشتی مربوط بود. شماره CPR نیاز به اعتبارسنجی modulus-11 دارد که ۶۷٪ از ابزارهای NLP از آن صرف‌نظر می‌کنند.

June 5, 20268 دقیقه مطالعه
Denmark DatatilsynetCPR numberhealthcare GDPRNordic data protectionhealth data

GDPR بهداشت دانمارک: اجرای Datatilsynet در سال ۲۰۲۴

مرجع دانمارکی Datatilsynet در سال ۲۰۲۴ تعداد ۳۱ پرونده GDPR را بررسی کرد. چهارده مورد از این‌ها — معادل ۴۵٪ — به سیستم‌های پزشکی مربوط می‌شد. دانمارک جمعیت ۵.۹ میلیون نفری دارد. این سهم بسیار بالاست. نشان می‌دهد کشور تا چه اندازه به سلامت دیجیتال روی آورده و در عین حال مقررات چقدر سختگیرانه هستند.

سیستم بهداشتی دانمارک

هر شهروند دانمارکی دارای یک شماره CPR است. این شماره به پرونده بیمار، سجل داروخانه، دفتر بیمارستانی و نمونه‌های بافت در انستیتو Statens Serum مرتبط است. سوابق بیمارستانی از سال ۱۹۷۷ موجود است.

این سیستم تحقیقات پزشکی دانمارک را در میان بهترین‌های جهان قرار داده است. اما به همین دلیل پرونده‌های بیمار بسیار حساس هستند. به همین خاطر Datatilsynet توجه زیادی به این حوزه نشان داده است.

مشکل شماره CPR

شماره CPR یک عدد ۱۰ رقمی است. ساختار آن به شکل DDMMYY-XXXX است. رقم آخر یک رقم کنترلی است که بر اساس محاسبه modulus-11 تعیین می‌شود.

شماره‌های CPR در تمام پرونده‌های بالینی ظاهر می‌شوند. آن‌ها به سوابق مراقبت، مالیاتی، بانکی و انتخاباتی مرتبط هستند.

Datatilsynet می‌گوید که قبل از استفاده از سوابق بیماران برای هر هدف جدیدی، باید صحت ناشناس‌سازی آن‌ها تأیید شود. اما ۶۷٪ از ابزارهای رایج NLP مرحله modulus-11 را برای شماره‌های CPR نادیده می‌گیرند. وقتی این مرحله نادیده گرفته شود، دو مشکل پیش می‌آید.

موارد مثبت کاذب: رشته‌های تاریخ، شماره قبض‌ها و کدهای مرجع به‌عنوان شماره‌های واقعی CPR علامت‌گذاری می‌شوند. این موضوع منجر به بررسی‌های دستی پرهزینه می‌شود.

شناسه‌های از قلم‌افتاده: شماره‌های CPR با ارقام جابه‌جاشده از بررسی کنترلی رد می‌شوند. در نتیجه شناسه‌های واقعی بیمار از دست می‌روند. خروجی پاک به نظر می‌رسد اما واقعاً پاک نیست.

برای آگاهی از نحوه عملکرد قوانین رقم کنترلی برای سایر نوع شناسه‌های اروپایی، راهنمای شناسایی شناسه‌های ملی اتحادیه اروپا را ببینید.

چهار قانون برای استفاده مجدد از سوابق بیماران

سجل‌های پزشکی دانمارک از بهترین تحقیقات حمایت می‌کنند. راهنمای Datatilsynet در سال ۲۰۲۴ درباره استفاده مجدد چهار قانون تعیین کرده است.

مستندسازی اقدامات انجام‌شده: هر فیلدی که حذف یا تغییر داده‌اید را فهرست کنید. نحوه گردکردن یا گروه‌بندی مقادیر را مشخص نمایید. یک یادداشت سیاستی کوتاه این معیار را برآورده نمی‌کند.

ارائه نتایج آزمون: ثابت کنید که ابزار شما شماره‌های CPR و سایر شناسه‌های دانمارکی را پیدا کرده است. یک ادعا اثبات نیست.

محدودسازی داده: بیش از آنچه مطالعه شما نیاز دارد، داده شخصی استخراج نکنید. این قانون حتی برای مجموعه‌های شبه‌ناشناس نیز صدق می‌کند.

انجام DPIA برای ابزارهای هوش مصنوعی: هر ابزار هوش مصنوعی که پرونده‌های بیماران دانمارکی را پردازش می‌کند به یک DPIA نیاز دارد. از فرم استاندارد Datatilsynet استفاده کنید.

سه حوزه تمرکز در کپنهاگ

شرکت‌های فناوری پزشکی کپنهاگ شامل Leo Pharma، Bavarian Nordic و استارتاپ‌های بسیاری هستند. Datatilsynet سه حوزه ریسک را زیر نظر دارد.

مجموعه‌های آموزشی هوش مصنوعی: این مرجع در سال ۲۰۲۴ شرکت‌هایی را یافت که مدل‌های هوش مصنوعی را با پرونده‌های حاوی شماره‌های واقعی CPR آموزش داده بودند. هیچ‌کدام پایه قانونی معتبری نداشتند.

انتقال به خارج از کشور: برخی شرکت‌ها پرونده‌های بیماران را برای کارهای هوش مصنوعی به فروشندگان ابری آمریکایی فرستاده بودند. مرجع اعلام کرد که SCCها به‌تنهایی کافی نیستند. اقدامات فنی نیز لازم است — مانند رمزگذاری با کلیدهای نگهداری‌شده در اروپا.

گزارش‌های دسترسی: گزارش‌ها باید نشان دهند چه کسی به کدام پرونده‌ها و به چه دلیلی دسترسی داشته. آن‌ها را حداقل پنج سال نگهداری کنید.

۵۶٪ از نقض داده‌های پزشکی دانمارک در سال ۲۰۲۴ ناشی از ناشناس‌سازی ضعیف بود. استفاده از ابزارهای اعتبارسنجی CPR با پشتیبانی از زبان دانمارکی رایج‌ترین نقص را از بین می‌برد.

برای اطلاعات بیشتر درباره اجرا در کشورهای اسکاندیناوی، راهنمای IMY سوئد GDPR ناشناس‌سازی 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.