By · Last updated 2026-04-28

Takaisin BlogiinTerveydenhuolto

18 HIPAA-tunnistetta, joita Työkalu Ei Havaitse

HIPAA luettelee 18 PHI-tunnistetta. Useimmat anonymisointityökalut havaitsevat ehkä 6. Medical Record Number -numerot vaihtelevat laitoskohtaisesti ilman vakiomuotoa Yhdysvalloissa.

April 28, 20269 min lukuaika
HIPAA 18 identifiersPHI complete detectionMRN detectionNPI DEA numbersHIPAA Safe Harbor compliance

18 HIPAA-tunnistetta, joita Työkalu Ei Havaitse

Päivitetty vuodelle 2026.

HIPAA luettelee 18 PHI-tunnistekategoriaa. Useimmat anonymisointityökalut havaitsevat ehkä kuusi. Muut kaksitoista jäävät huomaamatta — ja jokainen niistä edustaa vaatimustenmukaisuusaukkoa.

Safe Harbor -sääntö

HIPAA Privacy Rule (45 CFR § 164.514) määrittelee Safe Harbor -tunnistamattomaksi tekemisen. Kaikki 18 tunnistekategoriaa on poistettava. Kaikkien poistaminen tekee datasta lain mukaan tunnistamattoman. Tästä syystä Safe Harbor on niin yleinen: se on binaarinen kriteeri, ei harkinnanvarainen arviointi.

18 kategoriaa ovat:

  1. Nimet
  2. Osavaltiota pienemmät maantieteelliset tiedot — osoite, kaupunki, piirikunta, postinumero
  3. Muut kuin vuosiin liittyvät päivämäärät — syntymä, sairaalaanotto, kotiutus, kuolema
  4. Puhelinnumerot
  5. Faksinumerot
  6. Sähköpostiosoitteet
  7. Sosiaaliturvatunnukset
  8. Potilastietotunnisteet (MRN)
  9. Sairausvakuutuksen edunsaajatunnisteet
  10. Tilitunnisteet
  11. Sertifikaatti- ja lisenssitunnisteet
  12. Ajoneuvojen tunnisteet ja sarjanumerot
  13. Laitteiden tunnisteet ja sarjanumerot
  14. URL-verkko-osoitteet
  15. IP-osoitteet
  16. Biometriset tunnisteet — sormenjäljet, ääniprofiilit
  17. Kasvokuvat ja vastaavat kuvat
  18. Mikä tahansa muu yksilöivä koodi tai tunnistearvo

Useimmat työkalut käsittelevät hyvin kategoriat 1, 4, 6 ja 7. Kategoriat 8, 9, 10, 11, 13 ja 18 jätetään järjestelmällisesti huomiotta.

MRN-aukko

Potilastietotunnisteet kuuluvat kategoriaan 8. MRN-muodot määräytyvät kunkin sairaalan toimesta. Yhdysvalloissa ei ole kansallista standardia.

Sairaala A käyttää 7-numeroista kokonaislukua. Sairaala B käyttää "PT-YYYYNNNN"-muotoa. Sairaala C käyttää 8-merkkistä aakkosnumeerista merkkijonoa. Sairaala D kirjoittaa "MRN: " ennen 9-numeroista koodia.

Yleinen työkalu ei merkitse "PT-2024-8847":ää PHI:ksi. Asiakirja läpäisee tunnistamattomaksi tekemisen tarkistukset. Mutta se ei ole tunnistamaton. Yhtään varoitusta ei laukeaa. Tiimi uskoo työn valmistuneen. Se ei ole.

Tämä on pahin aukkotyyppi: hiljainen.

Kolme Tapaa Ratkaista Ongelma

Koodaa Presidioon. Vaatii Python-osaamista ja jatkuvaa ylläpitoa. Toimii, mutta vaatii aikaa.

Lisää manuaalinen tarkistus. Henkilö tarkistaa jokaisen asiakirjan MRN:ien varalta. Ei skaalaudu.

Käytä tekoälyavusteista mukautettujen entiteettien luontia. Ei koodia tarvita. Tiimi antaa esimerkkiarvot. Tekoäly rakentaa mallin.

Näin se toimii. Tiimi antaa viisi MRN-esimerkkiä: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. Tekoäly palauttaa `SVHS-\d{7}` ja tarkistaa sen esimerkkejä vasten. Tiimi tallentaa sen HIPAA-esiasetuukseensa. Kaikki myöhemmät istunnot havaitsevat muodon. Sama lähestymistapa toimii edunsaajatunnuksille ja laitteiden sarjanumeroille.

Lue, kuinka esiasetukset toimivat HIPAA MRN -tunnistamisen oppaassa. Lue tekoälymallin työnkulku.

Piilotettu Olettamus

Monet tiimit testaavat näytekirjalla, joka sisältää nimen ja puhelinnumeron. Työkalu läpäisee testin. Oletetaan täydellinen kattavuus. Mutta näytteet sisältävät harvoin laitoskohtaisia tunnisteita. MRN:t ja edunsaajatunnukset näyttävät satunnaisilta merkkijonoilta yleiselle työkalulle. Ne läpäisevät ilman merkitsemistä.

Aito Safe Harbor -auditointi kartoittaa kaikki 18 kategoriaa tunnistusmenetelmään. Kategoriassa 8 tarkista oikeilla MRN-numeroilla omasta sairaalastasi. Älä oleta, että työkalu tuntee muotosi.

Tarkastele kokonaiskehystä HIPAA-vaatimustenmukaisuuskatsauksessamme.

Yhteenveto

Safe Harbor edellyttää kaikkien 18 tunnistekategorian poistamista. Yleiset työkalut kattavat huomattavasti vähemmän. Aukot — MRN:t, edunsaajatunnukset, laitteiden sarjanumerot — eivät noudata vakiomuotoa, joten yleiset työkalut jättävät ne huomiotta. Tekoälyavusteiset mukautetut entiteetit täyttävät tämän aukon ilman koodia tai manuaalista tarkistusta.

Lähteet

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip: PHI-tunnistetyypit terveydenhuollon tunnistamattomaksi tekemisessä — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR: päivitetty tunnistamattomaksi tekemisen opas 2024 — hhs.gov. VERIFIED.

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.