anonym.legal

By · Last updated 2026-04-30

Takaisin BlogiinTerveydenhuolto

Mukautettu MRN-tunnistus ilman koodia HIPAA:ta varten

Potilasrekisterinumerot ovat sairaalakohtaisia — jokainen terveydenhuoltojärjestelmä käyttää eri muotoa. HIPAA Safe Harbor edellyttää MRN-numeroiden poistamista.

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

MRN-muodon ongelma

Yhdysvalloissa on noin 6 100 sairaalaa. Jokaisella on oma EHR-järjestelmänsä. Jokaisella on oma potilasrekisterinumeromuotonsa. Kansallista standardia ei ole. Joint Commission edellyttää, että sairaalat voivat tunnistaa potilaat — mutta ei aseta muotovaatimuksia.

Muodot vaihtelevat suuresti. Jotkut ovat 7-numeroisia kokonaislukuja. Toiset ovat 8-numeroisia kokonaislukuja. Jotkut käyttävät etuliitekoodeja kuten HOSP-, MRN- tai PT-. Toiset lisäävät laitoskoodeja kuten SVHS- tai CHOP-. Jotkut sisällyttävät rekisteröitymisvuoden numeroon.

HIPAA Safe Harbor luettelee potilasrekisterinumerot tunnistetyypiksi 8 kahdeksastatoista. (45 CFR §164.514(b)(2)) Kaikki 18 on poistettava. Sääntö ei rajoita tätä mihinkään tiettyyn muotoon. Jos sairaalasi käyttää mukautettua muotoa, sinun on tunnistettava se. Työkalu, joka jättää sen huomaamatta, epäonnistuu Safe Harbourissa — vaikka se poistaisi kaikki muut 17 tyyppiä.

Miksi koodipohjainen lähestymistapa epäonnistuu

Tavanomainen tapa lisätä mukautettu rekisterinumeromuoto anonymisointiputkeen on laajentaa Microsoft Presidiota. Se tarkoittaa Pythonin kirjoittamista.

Kehittäjä luo luokan, joka laajentaa EntityRecognizer-luokkaa. Hän kirjoittaa regexin, kytkee sen Presidion rekisteriin, testaa sen ja ylläpitää sitä. Vaatimustenmukaisuustiimeille — jotka harvoin koodaavat — tämä on kova este. Jokainen muotomuutos vaatii insinöörin.

Terveydenhuollon insinöörit ovat kiireisiä. He keskittyvät EHR-integraatioon ja kliinisiin järjestelmiin. Vaatimustenmukaisuustyökalut ovat harvoin heidän tärkein prioriteettinsa.

Kooditon kaavatyönkulku

Ohjattu kaavalähestymistapa poistaa koodausvaiheen.

Vaatimustenmukaisuusvastaava avaa Mukautetun entiteetin luontityökalun verkkosovelluksessa. Hän liittää viisi esimerkkiä järjestelmänsä numeroista — esimerkiksi:

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

Hän napsauttaa Luo kaava. Tekoäly lukee rakenteen ja palauttaa:

  • Kaava: SVHS-\d{7}
  • Luottamus: korkea
  • Ehdotettu nimi: HOSPITAL-MRN
  • Ehdotettu korvaus: [MRN]

Vastaava liittää viisi lisää näytettä. Kaava läpäisee. Hän tallentaa sen HIPAA-esiasetukseen.

Tästä eteenpäin jokainen istunto — verkkosovellus, Office-lisäosa, työpöytäsovellus ja API — tunnistaa tämän muodon tavallisessa PHI-läpikäynnissä. Koodia ei tarvita.

GDPR-tutkimushuomio

GDPR:n 89 artikla edellyttää pseudonymisointia tutkimusdatajoukoille. Mukautetut entiteetit tuovat laitoskohtaiset tunnisteet soveltamisalaan — sulkien aukon, jonka yleiset työkalut jättävät auki.

Mitä saat

Tämä työnkulku vie yhden iltapäivän. Mukautettu koodi vie viikkoja.

Vaatimustenmukaisuusvastaava määrittelee kaavan, testaa sen ja ottaa sen käyttöön. Ei lippua. Ei odottelua. Esiasetus pitää mukautetun entiteetin vieressä tavanomaisia 17 Safe Harbor -tunnistetta.

Kun seuraava erä kliinisiä muistiinpanoja käsitellään, kaikki 18 tunnistetyyppiä katetaan. Safe Harbor on täydellinen.

Katso HIPAA Safe Harbor -anonymisointi terveydenhuoltotutkimukselle saadaksesi lisätietoja Safe Harborin toiminnasta käytännössä. Sairaalakohtaisista tunnistuskaavoista katso sairaalakohtaisten MRN-muotojen tunnistaminen ilman insinöörityötä.

Lähteet

Liittyvät Artikkelit

Terveydenhuolto

HIPAA OCR: 725 Breaches, 275M Records

HHS OCR reported 725 HIPAA breaches in 2024 affecting 275M records — the highest ever. $10.22M average healthcare breach cost.

Terveydenhuolto

Handwritten Form OCR & PII Detection

A mid-size hospital processes 50,000 handwritten intake forms per year. Manual PII redaction at this volume requires 0.5 FTE.

Terveydenhuolto

HHS 2025: AI Clinical Notes Need PHI

AI transcription systems can inadvertently put Patient A's PHI in Patient B's record. Here's why real-time PHI detection before EHR commit is the control.

Valmiina suojaamaan tietojasi?

Aloita PII-anonymisointi yli 285 entiteettityypillä 48 kielellä.

Aloita Ilmainen KokeiluKatso Ominaisuudet

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.