By · Last updated 2026-04-28

Retour au blogSanté

Les 18 identifiants HIPAA que votre outil PII manque...

HIPAA énumère 18 identifiants PHI. La plupart des outils d'anonymisation détectent peut-être 6 d'entre eux.

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

18 identifiants HIPAA que votre outil manque

Mis à jour pour 2026.

HIPAA liste 18 catégories d'identifiants PHI. La plupart des outils d'anonymisation en détectent peut-être six. Les douze autres passent à travers — et chacun représente une lacune de conformité.

La règle Safe Harbor

La règle de confidentialité HIPAA (45 CFR § 164.514) définit la méthode de dé-identification Safe Harbor. Les 18 catégories d'identifiants doivent toutes être supprimées. Supprimez-les toutes et les données sont dé-identifiées par la loi. C'est pourquoi Safe Harbor est populaire : c'est réussite ou échec, sans jugement.

Les 18 catégories sont :

  1. Noms
  2. Données géographiques plus petites qu'un État — adresse, ville, comté, code postal
  3. Dates sauf l'année — naissance, admission, sortie, décès
  4. Numéros de téléphone
  5. Numéros de fax
  6. Adresses e-mail
  7. Codes de sécurité sociale
  8. Identifiants de dossier médical (MRN)
  9. Codes de bénéficiaire de régime de santé
  10. Identifiants de compte
  11. Codes de certificat et de licence
  12. Identifiants de véhicule et numéros de série
  13. Identifiants d'appareil et numéros de série
  14. URL web
  15. Adresses IP
  16. Identifiants biométriques — empreintes digitales, empreintes vocales
  17. Photos de visage entier et images similaires
  18. Tout autre code ou valeur d'identification unique

La plupart des outils gèrent bien les catégories 1, 4, 6 et 7. Ils ratent régulièrement les catégories 8, 9, 10, 11, 13 et 18.

La lacune MRN

Les identifiants de dossier médical se trouvent à la catégorie 8. Les formats MRN sont définis par chaque hôpital. Il n'existe pas de format national standard aux États-Unis.

L'hôpital A utilise un entier à 7 chiffres. L'hôpital B utilise « PT-AAAANNNN ». L'hôpital C utilise une chaîne alphanumérique de 8 caractères. L'hôpital D écrit « MRN : » avant un code à 9 chiffres.

Un outil générique ne signalera pas « PT-2024-8847 » comme PHI. Le document passe les contrôles de dé-identification. Mais il n'est pas dé-identifié. Aucune alerte ne se déclenche. L'équipe pense que le travail est terminé. Ce n'est pas le cas.

C'est la pire sorte de lacune : une lacune silencieuse.

Trois façons de la corriger

Codez-la dans Presidio. Cela nécessite des compétences en Python et une maintenance continue. Cela fonctionne mais coûte du temps.

Ajoutez une revue manuelle. Une personne vérifie chaque document pour les MRN. Cela ne passe pas à l'échelle.

Utilisez la création d'entités personnalisées assistée par IA. Aucun code nécessaire. L'équipe fournit des exemples. L'IA construit le motif.

Voici comment cela fonctionne. Une équipe fournit cinq exemples de MRN : SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. L'IA retourne SVHS-\d{7} et le vérifie sur les exemples. L'équipe l'enregistre dans son preset HIPAA. Toutes les sessions suivantes détectent le format. La même approche s'applique aux codes bénéficiaires et aux codes de série d'appareils.

Voir comment les presets fonctionnent dans le guide de détection MRN HIPAA. En savoir plus sur le workflow de motifs IA.

L'hypothèse cachée

Beaucoup d'équipes testent avec un document d'exemple contenant un nom et un numéro de téléphone. L'outil passe. Elles supposent une couverture complète. Mais les exemples incluent rarement des identifiants spécifiques à l'institution. Les MRN et les codes bénéficiaires ressemblent à des chaînes aléatoires pour un outil générique. Ils passent sans signalement.

Un vrai audit Safe Harbor associe les 18 catégories à une méthode de détection. Pour la catégorie 8, vérifiez avec de vrais exemples MRN de votre propre hôpital. Ne supposez pas que l'outil connaît votre format.

Consultez le cadre complet dans notre aperçu de la conformité HIPAA.

Conclusion

Safe Harbor exige la suppression des 18 catégories d'identifiants. Les outils génériques en couvrent bien moins. Les lacunes — MRN, codes bénéficiaires, codes de série d'appareils — n'ont pas de format standard, donc les outils génériques les manquent. Les entités personnalisées assistées par IA comblent la lacune sans code ni revue manuelle.

Sources

  • HHS : HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip : Types d'identifiants PHI en dé-identification de la santé — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR : Guide de dé-identification mis à jour en 2024 — hhs.gov. VERIFIED.

Prêt à protéger vos données ?

Commencez à anonymiser les PII avec plus de 285 types d'entités dans 48 langues.

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.