זיהוי MRN לפי HIPAA ללא תואר דוקטורט ב-Regex
פורמט ה-MRN של כל בית חולים שונה. Memorial משתמש ב-MRN:XXXXXXX, St. Mary's משתמש ב-PT-YYYYY, University Hospital משתמש ב-UHN-XXXXXXXXXX.
HIPAA: זיהוי MRN ספציפי לבית חולים
HIPAA Safe Harbor מחייב הסרת מספרי רשומות רפואיות — אך פורמטי MRN אינם סטנדרטיים. Epic, Cerner ו-Meditech משתמשים בפורמטים שונים, ורוב הכלים הגנריים מפספסים את המזהים שלכם.
הסרת זיהוי Safe Harbor של HIPAA בקנה מידה
HIPAA Safe Harbor דורש הסרת 18 קטגוריות מסוימות של מזהי PHI. מרכזים רפואיים אקדמיים זקוקים להסרת זיהוי בקנה מידה אבל הכלים הקיימים מתומחרים הרחק מעבר לתקציב מענקי המחקר.
ISO 27001 והסכמי BAA של HIPAA לספקי שירותי בריאות
הסכמי שיתוף מידע עסקי (BAA) של HIPAA דורשים 'ערבויות מספקות' לאמצעי הגנה מתאימים. ISO 27001 ממופה ישירות לדרישות HIPAA 164.
זיהוי MRN מותאם ללא קוד עבור HIPAA
מספרי רשומות רפואיות ייחודיים לכל בית חולים — כל מערכת בריאות משתמשת בפורמט שונה. HIPAA Safe Harbor מחייב הסרתם.
18 מזהי HIPAA שהכלי שלכם מפספס
HIPAA מפרט 18 מזהי PHI. רוב כלי האנונימיזציה מזהים אולי 6 מהם. מספרי רשומות רפואיות משתנים לפי מוסד ואין להם פורמט סטנדרטי אמריקאי.
הצפנה הפיכה לזיהוי מחדש במחקר
אינכם יכולים ליצור קשר עם Patient_001 לביקור מעקב. IRBs דורשים כעת פרוטוקולי זיהוי מחדש מתועדים — הוכחה שתוכלו לזהות מחדש תחת.
ביטול זיהוי הפיך למחקר קליני
כאשר מחקר מוצא סיכון ביומרקר בלתי צפוי ב-47 מתוך 5,000 משתתפים, החוקרים צריכים ליצור קשר עם המטופלים האמיתיים. רק 23% מכלי האנונימיזציה מציעים היפוך אמיתי.
ChatGPT תואם HIPAA עם הגנת דפדפן לנתונים קליניים
77% מהעובדים חולקים מידע עבודה רגיש עם כלי AI לפחות שבועית. יירוט PII בזמן אמת בדפדפן מפחית אירועי דליפה ב-94%.
עיבוד אצווה מקומי של 50 אלף רשומות קליניות
פסיקת SDNY מפברואר 2026 קבעה שמסמכים שעובדו על ידי AI מאבדים חיסיון עורך דין-לקוח אם לא אוּנים לפני העיבוד.
LLMs מפספסים 50% ממידע PHI קליני
סקר משנת 2025 מצא שכלים מבוססי LLM מפספסים יותר מ-50% ממידע PHI קליני במסמכים רב-לשוניים. 34.8% מכל הקלטים ל-ChatGPT מכילים נתונים רגישים.
עריכה שקופה: ביקורות HIPAA
שיטת Expert Determination של HIPAA דורשת מתודולוגיה מתועדת. גילוי ראיות משפטי דורש נימוק לכל עריכה. 34% מה-DPO מדווחים על כלים לא מספקים לתיעוד ציות לאנונימיזציה.
HIPAA בענן: ארכיטקטורת אפס-ידיעה ל-PHI
הסכמי שותף עסקי אינם מונעים הפרות HIPAA כאשר ספק הבינה המלאכותית שלכם בענן מעבד PHI בטקסט ברור. הינה מה שארכיטקטורת אפס-ידיעה משנה.
כאשר מנהלי אבטחת מידע בבריאות מסרבים לענן לעיבוד PHI
725 פרצות נתונים בבריאות ב-2024 פגעו ב-275 מיליון רשומות. עם עלות ממוצעת של $10.22 מיליון לפרצה — הגבוהה ביותר בכל תעשייה — מנהלי אבטחת המידע בבריאות מסרבים.
HHS 2025: הערות קליניות AI זקוקות לזיהוי PHI
מערכות תמלול AI יכולות להכניס בטעות PHI של מטופל A לרשומה של מטופל B. הנה מדוע זיהוי PHI בזמן אמת לפני שמירה ל-EHR הוא הבקרה הנכונה.
OCR לטפסים כתובים ידנית וזיהוי PII בבריאות וביטוח
בית חולים בינוני מעבד 50,000 טפסי קבלה כתובים ידנית בשנה. עריכה ידנית של PII בנפח זה דורשת 0.5 משרה.
HIPAA OCR: 725 הפרות, 275 מיליון רשומות
HHS OCR דיווח על 725 הפרות HIPAA ב-2024 שפגעו ב-275 מיליון רשומות — הגבוה אי פעם. עלות ממוצעת של הפרה בתחום הבריאות: $10.22 מיליון.
זיהוי PHI: Snow Labs עם 96% לעומת GPT-4o
לא כל כלי ה-de-identification שווים. מדדי ECIR 2025 מציגים ציוני F1 בין 79% ל-96%. למדו מדוע הדיוק חשוב וכיצד להעריך כלים.
$7.42 מיליון: עלויות פרצות הבריאות מובילות
תעשיית הבריאות היא התעשייה היקרה ביותר עבור פרצות נתונים במשך 14 שנים רצופות. למדו מדוע מידע רפואי כה יקר ערך וכיצד להגן עליו.
התחל להגן על הנתונים שלך היום
285+ סוגי ישויות, 48 שפות, אבטחה ברמה ארגונית במחירי סטארטאפ.
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 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
- Open the web app and try a sample file.
- Learn how credits get counted.
- See current plans and limits.
- Meet the team behind the product.
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.