HIPAA MRN-felismerés regex-doktorátus nélkül
Minden kórház MRN-formátuma különböző. A Memorial MRN:XXXXXXX-t, a St. Mary's PT-YYYYY-t, az Universitiy Hospital UHN-XXXXXXXXXX-t használ.
HIPAA: kórházspecifikus kórlapszám-azonosítás
A HIPAA Safe Harbor megköveteli az orvosi nyilvántartási számok eltávolítását — de a kórlapszám-formátumok nincsenek szabványosítva. Az Epic, a Cerner és a Meditech mind eltérő formátumokat használ.
HIPAA Safe Harbor de-azonosítás nagy léptékben: gyakorlati útmutató kutatóknak
A HIPAA Safe Harbor módszer 18 konkrét PHI-azonosítókategória eltávolítását igényli. Az akadémiai orvosi központoknak nagy léptékű de-azonosításra van szükségük, de a meglévő eszközök ára meghaladja a kutatási büdzsé lehetőségeit.
ISO 27001 és HIPAA BAA az egészségügyi szektorban
A HIPAA Business Associate Agreementek „megfelelő biztosítékokat” írnak elő a megfelelő kontrollokra vonatkozóan. Az ISO 27001 közvetlenül lefedi a HIPAA 164.308, 164.310 és 164.312 követelményeit.
Egyéni MRN-detektálás kód nélkül HIPAA-folyamatokhoz
A betegnyilvántartási számok (MRN) kórházanként egyediek — minden egészségügyi rendszer más formátumot alkalmaz. A HIPAA Safe Harbor megköveteli az MRN-ek eltávolítását.
18 HIPAA PHI azonosító, amelyet az eszköze nem ismer fel
A HIPAA 18 PHI azonosítót sorol fel. A legtöbb anonimizálási eszköz talán 6-ot ismer fel közülük. A Medical Record Number formátuma intézményenként eltér, és nincs egységes nemzeti szabvány az USA-ban.
Visszafordítható titkosítás a kutatási visszakapcsoláshoz
A Beteg_001-et nem tudja visszahívni utánkövetési vizsgálatra. Az etikai bizottságok már dokumentált visszaazonosítási protokollt követelnek – igazolva, hogy ez kontrollált körülmények között elvégezhető.
Visszafordítható de-azonosítás klinikai kutatásban
Amikor egy tanulmány váratlan biomarker-kockázatot talál 5000 résztvevő közül 47-nél, a kutatóknak kapcsolatba kell lépniük a valódi betegekkel. Az anonymizálási eszközök csupán 23%-a kínál valódi visszafordíthatóságot.
HIPAA-konform ChatGPT használat böngészővédelemmel
Az alkalmazottak 77%-a legalább hetente megoszt érzékeny munkahelyi adatokat MI-eszközökkel. A valós idejű böngészőalapú személyes adat interceptálás 94%-kal csökkenti a szivárgási incidenseket.
50 000 klinikai feljegyzés helyi kötegelt feldolgozása
Egy 2026 februári SDNY-ítélet megállapította, hogy az MI-vel feldolgozott dokumentumok elveszítik az ügyvéd-ügyfél privilégiumot, ha előzetes anonimizálás nélkül kerülnek feldolgozásra.
A nagy nyelvi modellek a klinikai PHI 50%-át elmulasztják
Egy 2025-ös tanulmány szerint a nagy nyelvi modellek a többnyelvű dokumentumokban a klinikai PHI több mint 50%-át elmulasztják. A ChatGPT-bevitelek 34,8%-a érzékeny adatokat tartalmaz.
Magyarázható redakció: HIPAA auditvizsgálatok
A HIPAA Expert Determination dokumentált módszertant igényel. A jogi e-discovery redakciónkénti indoklást kér. A DPO-k 34%-a jelent hiányos eszközöket az automatizált anonimizálás megfelelőségi dokumentációjához.
HIPAA a felhőben: zero-knowledge PHI-védelemmel
Az üzleti társulási megállapodások nem akadályozzák meg a HIPAA-jogsértéseket, ha a felhő-MI-szállítód egyszerű szövegként dolgozza fel a PHI-t. Íme, mit jelent valójában a zero-knowledge architektúra az egészségügy számára.
Amikor az egészségügyi CISO-k nemet mondanak a felhőalapú PHI-feldolgozásra
2024-ben 725 egészségügyi adatvédelmi incidens 275 millió rekordot érintett. A 10,22 millió dolláros átlagos incidensdíjakkal — ami minden iparág közül a legmagasabb — az egészségügyi CISO-k egyre inkább megtagadják a felhőalapú PHI-feldolgozás jóváhagyását.
HHS 2025: Az AI klinikai feljegyzések PHI-t igényelnek
Az AI-átírási rendszerek véletlenül az A páciens PHI-ját B páciens rekordjába helyezhetik. Íme, miért az EHR-mentés előtti valós idejű PHI-észlelés az ellenőrzés.
Kézzel írt nyomtatványok OCR-je és személyesadat-felismerése
Egy közepes méretű kórház évente 50 000 kézzel írt felvételi lapot dolgoz fel. Ekkora volumen esetén a személyes adatok kézi redakálása 0,5 munkavállalói egyenértéket igényel.
HIPAA OCR: 725 adatvédelmi incidens, 275 millió rekord
A HHS OCR 2024-ben 725 HIPAA-incidenst rögzített, amelyek 275 millió páciens adatát érintették – ez minden idők legmagasabb száma. Az egészségügyi adatvédelmi incidensek átlagos költsége 10,22 millió dollár.
PHI-azonosítás pontossága: John Snow Labs 96% vs GPT-4o
Nem minden anonimizáló eszköz egyforma. Az ECIR 2025 eredményei 79%-tól 96%-ig terjedő F1-értékeket mutatnak. Ismerje meg, miért számít a pontosság, és hogyan értékelje az eszközöket.
7,42 millió $: az egészségügy vezeti az adatbiztonsági incidens-statisztikákat
Az egészségügy 14 egymást követő éve az adatbiztonsági incidensek legköltségesebb ágazata. Ismerje meg, miért olyan értékes az egészségügyi személyes adat (PHI), és hogyan lehet védekezni.
Kezdje El Ma Az Adatai Védelmét
285+ entitástípus, 48 nyelv, vállalati szintű biztonság startup áron.
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.