By · Last updated 2026-04-30

Vissza a BlograEgészségügy

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.

April 30, 20268 perc olvasás
custom MRN detectionHIPAA pipeline configurationno-code regexAI pattern helperhospital identifier de-identification

Az MRN-formátum problémája

Az Egyesült Államokban mintegy 6 100 kórház működik, amelyek mindegyike saját EHR-rendszert és saját betegnyilvántartási szám (Medical Record Number, MRN) formátumot alkalmaz. Nem létezik egységes nemzeti szabvány. A Joint Commission előírja, hogy a kórházak azonosítsák a betegeket — de formátumot nem rögzít.

A formátumok rendkívül változatosak. Van, ahol 7 jegyű egész számot használnak, máshol 8 jegyűt. Egyes intézmények HOSP-, MRN- vagy PT- előtagot alkalmaznak, mások intézményi kódot, például SVHS- vagy CHOP-. Előfordul az is, hogy a szám tartalmazza a felvétel évét.

A HIPAA Safe Harbor a betegnyilvántartási számokat a 18 azonosítókategória közül a 8. típusként sorolja fel. (45 CFR §164.514(b)(2)) Mind a 18 kategóriát el kell távolítani. A szabály nem korlátozódik egyetlen formátumra sem. Ha a kórház egyéni formátumot használ, azt detektálni kell. Ha az eszköz ezt elmulasztja, az Safe Harbor-kudarcot jelent — még akkor is, ha a másik 17 típust sikeresen kezeli.

Miért nem működik a kódalapú megközelítés?

Az egyéni betegnyilvántartási szám-formátum hozzáadásának szokásos módja a Microsoft Presidio kiterjesztése, ami Python-kód írását igényli.

A fejlesztőnek egy olyan osztályt kell létrehoznia, amely kiterjeszti az EntityRecognizer osztályt, megírja a reguláris kifejezést, beregisztrálja a Presidio-rendszerbe, leteszteli, és karbantartja azt. A megfelelési csapatok számára — akik ritkán programoznak — ez kemény akadályt jelent. Minden formátumváltozás mérnöki beavatkozást igényel.

Az egészségügyi mérnökök elfoglaltak: EHR-integrációval és klinikai rendszerekkel foglalkoznak. A megfelelési eszközök karbantartása ritkán kerül a prioritásaik élére.

A kód nélküli mintaépítési folyamat

A vezérelt mintaalapú megközelítés kiiktatja a kódolási lépést.

A megfelelési vezető megnyitja az egyéni entitásszerkesztőt a webalkalmazásban, majd beilleszti a saját rendszeréből öt mintaszámot — például:

SVHS-0012345
SVHS-0987654
SVHS-1122334
SVHS-4455667
SVHS-8899001

Rákattint a Minta generálása gombra. A mesterséges intelligencia felismeri a struktúrát, és visszaadja az eredményt:

  • Minta: SVHS-\d{7}
  • Megbízhatóság: magas
  • Javasolt név: HOSPITAL-MRN
  • Javasolt csere: [MRN]

A megfelelési vezető beilleszti még öt mintát. A minta megfelel. Menti azt a HIPAA-előbeállításhoz.

Ettől kezdve minden munkamenet — webalkalmazás, Office-bővítmény, asztali alkalmazás és API — a standard személyes egészségügyi adatok (PHI) feldolgozásakor detektálja ezt a formátumot. Kód nélkül.

GDPR kutatási megjegyzés

A GDPR 89. cikke pszeudonimizálást ír elő kutatási adathalmazokhoz. Az egyéni entitások az intézményspecifikus azonosítókat is hatókörbe vonják — bezárva azt a rést, amelyet az általános eszközök nyitva hagynak.

Mit kap ezzel?

Ez a folyamat egy délutánt vesz igénybe. Az egyéni kód megírása heteket.

A megfelelési vezető meghatározza a mintát, leteszteli, és üzembe helyezi azt. Nincs jegykezelés, nincs várakozás. Az előbeállítás az egyéni entitást a 17 szabványos Safe Harbor azonosító mellé tárolja.

Amikor a következő klinikai feljegyzés-köteg feldolgozásra kerül, mindkét 18 azonosítótípus le van fedve. Az Safe Harbor teljesül.

A Safe Harbor gyakorlati működéséről: HIPAA Safe Harbor azonosításmentesítés egészségügyi kutatáshoz. A kórházspecifikus detektálási mintákhoz: kórházspecifikus MRN-formátumok detektálása mérnöki segítség nélkül.

Források

Készen áll az adatai védelmére?

Kezdje el a PII anonimizálását 285+ entitástípuson 48 nyelven.

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.