By · Last updated 2026-06-05

Vissza a BlograGDPR & Megfelelés

Datatilsynet: Dánia egészségügyi GDPR

A dán Datatilsynet 2024-ben 31 GDPR-határozatot hozott; ezek 14-e egészségügyi adatrendszereket érintett. A CPR-szám modulus-11 ellenőrzést igényel, amelyet az NLP-eszközök 67%-a kihagyja.

June 5, 20268 perc olvasás
Denmark DatatilsynetCPR numberhealthcare GDPRNordic data protectionhealth data

Dánia egészségügyi GDPR: Datatilsynet 2024-es végrehajtás

A dán Datatilsynet 2024-ben 31 GDPR-ügyet tárgyalt. Ezek közül tizennégy – az összes 45%-a – orvosi rendszereket érintett. Dánia 5,9 millió lakosú ország. Ez az arány rendkívül magas. Jól mutatja, milyen messzire jutott az ország a digitális egészségügy terén. Egyúttal azt is jelzi, milyen szigorúak az előírások.

Dánia egészségügyi rendszere

Minden dán állampolgárnak van CPR-száma. Ez a szám összekapcsolódik a betegdossziéval, a gyógyszernyilvántartással, a kórházi naplóval és a Statens Serum Institut szöveti mintáival. A kórházi napló 1977-ig nyúlik vissza.

Ez a rendszer a dán orvosi kutatást a világ élvonalába emeli. Ugyanakkor azt is jelenti, hogy a betegadatok rendkívül érzékenyek. Ezért összpontosított a Datatilsynet olyan intenzíven erre a területre.

A CPR-szám problémája

A CPR-szám egy 10 jegyű azonosító. Formátuma: NNHHÉÉ-XXXX. Az utolsó jegy ellenőrző karakter, amelyet modulus-11 számítással határoznak meg.

A CPR-számok minden klinikai aktában megjelennek. Összekapcsolódnak az egészségügyi, adóügyi, banki és választói nyilvántartásokkal.

A Datatilsynet előírása szerint minden de-azonosítási munkát ellenőrizni kell, mielőtt a betegadatokat bármilyen új célra felhasználják. A legelterjedtebb NLP-eszközök 67%-a azonban kihagyja a CPR-számok modulus-11 ellenőrzését. Ha ezt kihagyják, két probléma merül fel.

Téves találatok: Dátumsorozatok, számlaszámok és referenciakódok valódi CPR-számként kerülnek megjelölésre. Ez költséges kézi ellenőrzést tesz szükségessé.

Kihagyott azonosítók: A felcserélt jegyű CPR-számok nem mennek át az ellenőrzésen. Így valódi beteg-azonosítók csúsznak át. A kimenet tisztának látszik, de valójában nem az.

Az EU nemzeti azonosítók ellenőrzőkarakter-szabályainak részleteiért lásd az EU nemzeti adó-azonosítók felismerési útmutatónkat.

Négy szabály a betegadatok újrafelhasználásához

Dánia orvosi nyilvántartásai kiemelkedő kutatásokat finanszíroznak. A Datatilsynet 2024-es útmutatója az újrafelhasználásra négy szabályt állapít meg.

Dokumentáljon mindent: Sorolja fel az összes eltávolított vagy módosított mezőt. Jegyezze fel, hogyan kerekítette vagy csoportosította az értékeket. Egy rövid szakpolitikai megjegyzés nem felel meg ennek a követelménynek.

Mutassa be a teszteredményeket: Bizonyítsa, hogy az eszköze megtalálta a CPR-számokat és más dán azonosítókat. Az állítás nem bizonyíték.

Korlátozza a gyűjtött adatokat: Ne gyűjtsön több személyes adatot, mint amennyire a vizsgálathoz szükség van. Ez a szabály akkor is érvényes, ha az adathalmazt pszeudonymizálták.

Végezzen DPIA-t az AI-eszközökhöz: Minden olyan AI-eszköz, amely dán betegaktákat dolgoz fel, DPIA-t igényel. Használja a Datatilsynet szabványos űrlapját.

Három kockázati terület Koppenhágában

Koppenhága med-tech cégei közé tartozik a Leo Pharma, a Bavarian Nordic és számos startup. A Datatilsynet három kockázati területet figyel.

AI-tanítókészletek: A hatóság 2024-ben olyan cégeket talált, amelyek élő CPR-számokat tartalmazó aktákon tanítottak AI-modelleket. Egyiküknek sem volt érvényes jogalapja.

Külföldi adattovábbítás: Egyes cégek betegaktákat küldtek US felhőszolgáltatókhoz AI-feldolgozás céljából. A hatóság megállapította, hogy az SCC-k önmagukban nem elegendők. Technikai intézkedések is szükségesek – például Európában tárolt kulcsokkal végzett titkosítás.

Hozzáférési naplók: A naplóknak meg kell mutatniuk, ki milyen aktát olvasott és miért. Legalább öt évig kell megőrizni őket.

A 2024-es dán egészségügyi adatvédelmi incidensek 56%-a elégtelen de-azonosítástból eredt. A CPR-ellenőrzést és dán nyelvi támogatást nyújtó eszközök alkalmazása kiküszöböli a leggyakoribb hibákat.

A skandináv végrehajtásról bővebben lásd az IMY Svédország GDPR anonimizálási útmutatóját.

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.