By · Last updated 2026-04-28

Vissza a BlograEgészségügy

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.

April 28, 20269 perc olvasás
HIPAA 18 identifiersPHI complete detectionMRN detectionNPI DEA numbersHIPAA Safe Harbor compliance

18 HIPAA PHI azonosító, amelyet az eszköze nem ismer fel

Frissítve 2026-ra.

A HIPAA 18 PHI azonosítókategóriát sorol fel. A legtöbb anonimizálási eszköz talán hatot ismer fel. A többi tizenkettő észrevétlenül marad – és mindegyik megfelelőségi rést jelent.

A Safe Harbor szabály

A HIPAA Privacy Rule (45 CFR § 164.514) meghatározza a Safe Harbor de-azonosítást. Mind a 18 azonosítókategóriát el kell távolítani. Ha mindet eltávolítják, az adatok jogilag de-azonosítottnak minősülnek. Ezért annyira elterjedt a Safe Harbor: bináris kritérium, nem mérlegelési döntés.

A 18 kategória:

  1. Nevek
  2. Államnál kisebb területi adatok – cím, város, megye, irányítószám
  3. Az évnél pontosabb dátumok – születés, felvétel, elbocsátás, elhalálozás
  4. Telefonszámok
  5. Faxszámok
  6. E-mail-címek
  7. Társadalombiztosítási számok
  8. Kórlapazonosítók (MRN)
  9. Egészségügyi tervek kedvezményezett-azonosítói
  10. Számla-azonosítók
  11. Tanúsítvány- és engedélyszámok
  12. Járműazonosítók és sorozatszámok
  13. Eszközazonosítók és sorozatszámok
  14. Webcímek (URL)
  15. IP-címek
  16. Biometrikus azonosítók – ujjlenyomatok, hangminták
  17. Arcképek és hasonló képek
  18. Bármely más egyedi azonosítókód vagy érték

A legtöbb eszköz jól kezeli az 1., 4., 6. és 7. kategóriát. A 8., 9., 10., 11., 13. és 18. kategóriát rendszeresen kihagyják.

Az MRN-rés

A kórlap-azonosítók a 8. kategóriába tartoznak. Az MRN-formátumokat minden kórház saját maga határozza meg. Az USA-ban nincs egységes nemzeti szabvány.

Az A kórház 7 jegyű egész számot használ. A B kórház a „BT-ÉÉNNNNNN” formátumot alkalmazza. A C kórház 8 karakteres alfanumerikus karakterláncot használ. A D kórház a kód elé „MRN: ” előtagot ír, amelyet 9 jegyű szám követ.

Egy általános eszköz nem fogja megjelölni a „BT-2024-8847” értéket PHI-ként. A dokumentum átmegy a de-azonosítási ellenőrzésen. De nincs de-azonosítva. Nem keletkezik figyelmeztetés. A csapat úgy véli, a munka kész. Nincs kész.

Ez a rés legveszélyesebb típusa: a csendes.

Három lehetséges megoldás

Kódolás Presidio-ban. Python-ismereteket és folyamatos karbantartást igényel. Működik, de időigényes.

Manuális ellenőrzés hozzáadása. Valaki minden dokumentumot átnéz MRN-keresés céljából. Nem méretezhető.

AI-segítségű egyéni entitáslétrehozás alkalmazása. Kód nélkül. A csapat példaértékeket ad meg. Az AI elkészíti a mintát.

Így működik. A csapat öt MRN-példát ad meg: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. Az AI visszaadja a `SVHS-\d{7}` mintát, és ellenőrzi azt a példák alapján. A csapat elmenti a HIPAA-presetek közé. Az összes következő munkamenet felismeri a formátumot. Ugyanez a megközelítés működik a kedvezményezett-kódoknál és az eszközsorozat-számoknál is.

A presetek működéséről bővebben olvashat a HIPAA MRN-felismerési útmutatóban. Az AI-mintafolyamatról a HIPAA MRN AI-minta munkafolyamat leírásában talál részleteket.

A rejtett feltételezés

Sok csapat egy minta dokumentumon végez teszteket, amely nevet és telefonszámot tartalmaz. Az eszköz megfelel a teszten. Teljes lefedettséget feltételeznek. A minták azonban ritkán tartalmaznak intézményspecifikus azonosítókat. Az MRN-ek és a kedvezményezett-kódok véletlenszerű karakterláncoknak tűnnek egy általános eszköz számára. Megjelölés nélkül haladnak át.

Egy valódi Safe Harbor audit minden 18 kategóriát felismerési módszerhez rendel. A 8. kategóriánál valódi, saját kórházi MRN-ekkel kell tesztelni. Ne feltételezze, hogy az eszköz ismeri az Ön formátumát.

A teljes keretrendszerért tekintse meg a HIPAA-megfelelőségi áttekintőnket.

Összefoglalás

A Safe Harbor megköveteli mind a 18 azonosítókategória eltávolítását. Az általános eszközök jóval kevesebbet fednek le. A rések – MRN-ek, kedvezményezett-kódok, eszközsorozat-számok – nem rendelkeznek egységes formátummal, ezért az általános eszközök figyelmen kívül hagyják őket. Az AI-segítségű egyéni entitások kód és manuális ellenőrzés nélkül zárják be ezt a rést.

Források

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip: PHI azonosítótípusok az egészségügyi de-azonosításban — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR: frissített de-azonosítási útmutató 2024 — hhs.gov. VERIFIED.

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.