Datenerhebung der Krankenkasse nach § 284 SGB V: Mitgliederdaten anonymisieren – DSGVO-konform anonymisieren (§ 284 SGB V)

§ 284 SGB V regelt abschließend, welche Sozialdaten gesetzliche Krankenkassen zur Erfüllung ihrer Aufgaben von Mitgliedern und Leistungserbringern erheben und verarbeiten dürfen; als Sozialdaten unterliegen diese zusätzlich dem Schutzregime der §§ 67 ff. SGB X. anonym.legal pseudonymisiert Mitgliederdaten in internen Auswertungen der Krankenkasse, damit Statistiken erstellt werden können, ohne den Personenbezug über den Erhebungszweck hinaus offenzulegen.

When this applies

Eine gesetzliche Krankenkasse wertet nach § 284 SGB V erhobene Mitglieder- und Leistungsdaten für interne Zwecke aus, etwa zur Versorgungsforschung, Wirtschaftlichkeitsprüfung oder Qualitätsberichterstattung. Als Sozialdaten unterliegen diese Angaben dem Sozialgeheimnis nach § 35 SGB I und den besonderen Übermittlungsvorschriften der §§ 67 ff. SGB X; da es sich zugleich um Gesundheitsdaten nach Art. 9 Abs. 1 DSGVO handelt, können Verstöße nach Art. 83 Abs. 5 DSGVO mit Bußgeldern bis zu 20 Mio. € oder 4 % des weltweiten Konzernjahresumsatzes geahndet werden. Vor einer internen Auswertung oder Weitergabe an eine externe Stelle soll der Mitgliederbezug geschützt werden, ohne die statistisch relevanten Merkmale unkenntlich zu machen.

  1. Die zur Auswertung bestimmten Mitglieder- und Leistungsdaten werden in anonym.legal hochgeladen.
  2. Die Erkennung prüft den Inhalt gegen über 267 Entitätstypen und identifiziert Namen, Versichertennummern, Adressen und weitere identifizierende Merkmale.
  3. Jedes Mitglied wird über den gesamten Auswertungsbestand hinweg konsistent durch dasselbe Pseudonym ersetzt.
  4. Statistisch relevante Merkmale wie Alter, Diagnosegruppe oder Leistungsart ohne unmittelbaren Personenbezug bleiben für die Auswertung im Klartext erhalten.
  5. Die Zuordnung von Pseudonym zu Klarname wird in einer verschlüsselten, EU-ansässigen Mapping-Tabelle abgelegt.
  6. Die pseudonymisierte Fassung wird für die interne Auswertung oder Berichterstattung bereitgestellt; bei berechtigtem Bedarf erfolgt die Re-Identifikation einzelner Mitglieder über den Schlüssel.

What you provide

  • Zur Auswertung bestimmte Mitglieder- und Leistungsdaten
  • Angabe des Auswertungszwecks (Versorgungsforschung, Wirtschaftlichkeitsprüfung, Berichterstattung)
  • Liste der auszuwertenden Merkmale

Limitations & cautions

  • Ob die Erhebung und Verarbeitung im Einzelfall von § 284 SGB V gedeckt ist, prüft anonym.legal nicht — die Software bereitet die Daten nur technisch für die interne Auswertung auf.
  • Die Pseudonymisierung ist reversibel und ersetzt keine datenschutzrechtliche Löschung; der Personenbezug entfällt erst mit der Vernichtung des Zuordnungsschlüssels.
  • Ob eine Weitergabe der Auswertung an Dritte nach §§ 67 ff. SGB X zulässig ist, bewertet anonym.legal nicht.
  • Auch bei internen Auswertungen bleibt zu beachten, dass Verstöße gegen die Verarbeitungsgrundsätze besonderer Kategorien personenbezogener Daten weiterhin nach Art. 83 Abs. 5 DSGVO mit Bußgeldern bis zu 20 Mio. € oder 4 % des weltweiten Konzernjahresumsatzes geahndet werden können; die DSGVO ist seit dem 25. Mai 2018 unmittelbar anwendbares Recht (Art. 99 Abs. 2 DSGVO).
  • Die für die Auswertung herangezogenen Abrechnungsdaten selbst unterliegen als Buchungsbelege einer Aufbewahrungsfrist von acht Jahren nach § 257 Abs. 4 HGB / § 147 Abs. 3 AO.
  • Sozialdaten der Krankenkasse sind nach § 284 SGB V die zur Erfüllung ihrer gesetzlichen Aufgaben von Mitgliedern und Leistungserbringern erhobenen Angaben.

FAQ

Bleiben statistisch relevante Merkmale nach der Anonymisierung auswertbar?

Ja, Merkmale wie Alter, Diagnosegruppe oder Leistungsart ohne unmittelbaren Personenbezug bleiben im Klartext erhalten. Nur identifizierende Mitgliederdaten werden pseudonymisiert. So bleiben interne Auswertungen weiterhin aussagekräftig.

Wie wird das Sozialgeheimnis bei internen Auswertungen gewahrt?

Namen, Versichertennummern und weitere identifizierende Merkmale werden als Sozialdaten erkannt und konsistent pseudonymisiert, sodass der besondere Schutz nach § 35 SGB I gewahrt bleibt. Dieselbe Person erhält über den gesamten Bestand hinweg dasselbe Pseudonym.

Kann ich umfangreiche Mitgliederbestände gemeinsam verarbeiten?

Ja, anonym.legal verarbeitet große Datenbestände und pseudonymisiert jedes Mitglied konsistent über den gesamten Bestand hinweg. Derselbe Versicherte erhält in allen Auswertungen dasselbe Pseudonym.

Prüft anonym.legal, ob die Datenerhebung nach § 284 SGB V zulässig war?

Nein, ob eine Erhebung oder Verarbeitung von § 284 SGB V gedeckt ist, bewertet anonym.legal nicht. Die Software schützt lediglich den Personenbezug in den zur Auswertung bestimmten Daten.

Abrechnung & Krankenkassen

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.

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 company HQ is in Saarbrücken, Germany. Our servers run in Hetzner's Falkenstein datacenter.

Hetzner holds 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.