By · Last updated 2026-06-05

Takaisin BlogiinTerveydenhuolto

HHS 2025: Tekoälyn kliiniset muistiinpanot tarvitsevat PHI-suojaa

Tekoälyn transkriptiojärjestelmät voivat vahingossa sijoittaa potilaan A:n PHI:n potilaan B:n tietueeseen. Tässä syy siihen, miksi reaaliaikainen PHI-tunnistus ennen EHR-tallentamista on oikea kontrolli.

June 5, 20269 min lukuaika
HIPAA complianceclinical documentationPHI detectionEHR privacyHHS 2025

Tekoälyn kliinisten muistiinpanojen tietosuojaongelma

Päivitetty vuodelle 2026

Sairaalat ja klinikat käyttävät tekoälyä kliinisten muistiinpanojen kirjoittamiseen. Tekoäly litteroi puheesta ja luonnostelee tekstiä. Mutta tämä luo HIPAA-aukon, jota manuaalinen tarkistus ei pysty sulkemaan.

Tekoälyn tuottamat muistiinpanot paljastavat potilastietueet kolmella tavalla:

  1. Ristisaastuminen: Tekoäly voi vetää tietoja yhdeltä potilaalta toisen potilaan tietueeseen. Lääketieteelliset tekoälytutkimukset ovat osoittaneet tämän riskin.
  2. Kontekstin vuoto: Potilastiedot päätyvät väärään kenttään — laskutusmuistiinpanoon, tutkimuskenttään tai lähetelajiin. Tekoäly täyttää kentät kontekstin, ei kentän tarkoituksen perusteella.
  3. Toimittajatietojen käyttö: Monet tekoälytoimittajat lähettävät muistiinpanot takaisin mallintarkistukseen, ellei siitä kieltäydytä. Tämä lähettää potilastiedot kolmansien osapuolten palvelimille. Näillä palvelimilla ei välttämättä ole allekirjoitettua BAA-sopimusta.

HHS julkaisi ehdotetun säännön vuonna 2025. Sen mukaan tekoälytyökaluja käyttävien kokonaisuuksien on sisällytettävä nämä työkalut riskianalyysiinsä. Tämä luo muodollisen säännön tekoälyavusteiselle kliiniselle työlle.

HHS:n vuoden 2025 tekoälyn riskianalyysin sääntö

HHS ehdotti uusia sääntöjä tekoälyä käyttäville katetuille kokonaisuuksille. Jokainen potilastietueisiin koskeva tekoälyjärjestelmä on sisällytettävä kokonaisuuden riskianalyysiin.

Säännöllä on kolme osaa:

Tekniset suojatoimet: Tarkista jokainen tekoälytyökalu. Kysy:

  • Lähettääkö se potilastietueita järjestelmienne ulkopuolelle?
  • Säilyttääkö se potilastietueita palvelimillaan käytön jälkeen?
  • Kirjoittaako se potilastietoja väärään tietueeseen?

Henkilöstön koulutus: Koulutuksen on katettava tekoälykohtaiset riskit. Tähän sisältyvät tietueiden sekaantumistapaukset.

Fyysiset kontrollit: Tekoälytyökaluja käyttävien työasemien on oltava osa fyysisiä pääsynhallintoja.

Tekoälyn kliiniset työkalut sisältävät puheesta tekstiksi -palvelut, tekoälyn muistiinpanojen luonnostyökalut ja koodaustyökalut.

Miksi tallennusta edeltävä tunnistus toimii

Paras tekninen kontrolli on PHI-tunnistus ennen kuin muistiinpano tallennetaan EHR:ään.

Ilman tallennusta edeltävää tunnistusta:

  • Tekoäly kirjoittaa luonnoksen
  • Henkilökunta tarkistaa sen käsin, aikapaineen alaisena
  • Muistiinpano tallennetaan EHR:ään
  • PHI-virheet ovat nyt pysyvässä tietueessa
  • Niiden korjaaminen vaatii tarkistusmerkintöjä ja rikkomustarkastelua

Tallennusta edeltävän tunnistuksen kanssa:

  • Tekoäly kirjoittaa luonnoksen
  • PHI-skannaus suoritetaan ennen muistiinpanon tallentamista
  • Merkityt kohteet lähetetään henkilökunnan tarkistettavaksi
  • Henkilökunta korjaa virheet ennen tallentamista
  • EHR-tietue on puhdas alusta alkaen

Tallennusta edeltävä tunnistus täyttää HIPAA:n Security Rule 164.312(b):n. Tämä sääntö edellyttää järjestelmiä, jotka kirjaavat ja tarkistavat toimintaa. Tallennusta edeltävä skannaus luo tarkistustietueen jokaiselle tarkastetulle muistiinpanolle.

18 PHI-kategoriaa tekoälyn muistiinpanoissa

HIPAA:n Safe Harbor edellyttää 18 PHI-kategorian poistamista (45 CFR 164.514(b)). Tekoälyn muistiinpanot voivat tuottaa kaikki 18 odottamattomilla tavoilla:

  • Nimet — potilas mainitsee perheenjäsenen oirekuvauksessa
  • Sijainti — kotiosoite sosiaalianamneesissä
  • Päivämäärät — syntymäpäivät, vastaanottopäivät, toimenpidepäivät
  • Puhelin- ja faksitumerot — yhteystiedot lähetekuvauksissa
  • Sähköpostiosoitteet — potilaan antamat yhteystiedot
  • Sosiaaliturvatunnukset — vakuutuskonteksti
  • Sairaustietotunnisteet — MRN, taulukonumerot
  • Terveyssuunnitelman tunnisteet — vakuutuskonteksti
  • Tilinumerot — laskutuskonteksti
  • Lisenssitunnisteet — palveluntarjoajan lisenssitiedot lähetteissä
  • Ajoneuvotunnisteet — onnettomuuskonteksti traumamuistiinpanoissa
  • Laitetunnisteet — implanttia koskevat muistiinpanot
  • URL-osoitteet — potilaan lähettämät linkit terveystietueisiin
  • IP-osoitteet — etäistunnon lokit
  • Biometriset tunnisteet — sormenjälki- tai ääniprinttidata
  • Valokuvat — tekoälyjärjestelmien linkitetyt mediatiedostot
  • Muut yksilölliset tunnisteet — laitoksen mukautetut tunnisteet

Tekoälymallit voivat luoda minkä tahansa näistä kontekstin perusteella. Tunnistuksen on katettava kaikki 18 — ei vain sosiaaliturvatunnukset ja päivämäärät.

Kuinka lisätä tallennusta edeltävä tunnistus

Tallennusta edeltävä PHI-tarkistus seuraa viittä vaihetta:

  1. Tekoäly kirjoittaa muistiinpanon luonnoksen
  2. Muistiinpanon teksti lähetetään tunnistus-API:lle ennen kuin henkilökunta näkee sen
  3. Merkityt kohteet näytetään luonnosnäkymässä
  4. Henkilökunta tarkistaa merkinnät normaalin muistiinpanon tarkistuksen aikana
  5. Henkilökunta tallentaa muistiinpanon — ilman merkittyjä kohtia tai kirjatulla perusteella

Mitä järjestelmä tarvitsee:

  • Nopeus: alle 200 ms, jotta työnkulku ei hidastu
  • Kattavuus: kaikki 18 HIPAA-kategoriaa sekä paikalliset mallit, kuten oma MRN-formaattisi
  • Pisteytys: yli 85 %:n kohteet merkitään automaattisesti; 50–85 % vaatii henkilökunnan tarkistuksen; alle 50 % näytetään viitteenä
  • Tarkistusloki: kirjaa jokainen merkitty kohde, sen pisteet ja tarkistajan päätös

Tarkistusloki antaa suoran todisteen HHS:n riskianalyysiin. Se osoittaa, että tekoälyn tuottamalle PHI:lle on kontrollit.

Käyttötapaus: Tallennusta edeltävä tunnistus lääketieteellisessä keskuksessa

Eräs akateeminen lääketieteellinen keskus käytti tekoälyn ambient-järjestelmää lääkäreiden muistiinpanoihin. 90 päivän tarkistus löysi kaksi sekaantumistapausta. Yhdessä muistiinpanossa oli toisen potilaan syntymäpäivä. Toisessa oli perheenjäsenen nimi ja sosiaaliturvatunnus sosiaalianamneesissä.

Tallennusta edeltävän PHI-tunnistuksen lisäämisen jälkeen:

  • Kaikki tekoälyluonnokset skannattiin ennen lääkäreiden tarkistusta
  • Keskimääräinen skannausaika: 47 ms — ei tuntunut työnkulussa
  • 90 päivän aikana: 1 247 kohdetta merkittiin 8 400 muistiinpanon joukosta
  • Henkilökunta tarkisti ja ratkaisi 94 % merkityistä kohteista
  • Nolla tietueiden sekaantumistapausta käynnistyksen jälkeen

Järjestelmä tuottaa kuukausittaisen raportin. Se näyttää tunnistusasteet, tarkistusasteet ja kohdetyypit. Tämä raportti toimii tarkistuskontrollien todisteena HIPAA:n Security Rule 164.312(b):n mukaisesti.

Tiimit, jotka rakentavat tätä työnkulkua, voivat käyttää anonym.legalin PHI-tunnistus-API:ta. Se kattaa kaikki 18 HIPAA-kategoriaa alle 200 ms:n latenssilla. Katso PHI-tunnistuksen integrointiopas asennusvaiheita varten. Kokonaisvaltaiseen kontekstiin tutustutaan terveydenhuollon käyttötapaukset -sivulla.

Lähteet

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

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.