By · Last updated 2026-06-04

Vissza a BlograEgészségügy

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.

June 4, 20266 perc olvasás
HIPAA de-identificationMRN patternhealthcare ITAI pattern generationPHI detection

HIPAA MRN-felismerés regex-doktorátus nélkül

Az ön kórházának MRN-formátuma nincs benne egyetlen standard PII-eszközben sem. Így adhatja hozzá öt perc alatt. Kód nélkül.

Az egészségügyi informatikai csapatok olyan HIPAA-problémával szembesülnek, amellyel más ágazatok nem. A legfontosabb keresendő azonosítót — a beteg nyilvántartási számát (Medical Record Number, MRN) — maga a kórház határozza meg. Nincs országos szabvány.

Minden HIPAA-megfelelési de-azonosítási projekthez egyedi beállítás szükséges. Nélküle az MRN-ek észrevétlenül kicsúsznak az „azonosítóktól mentesített” fájlokon.

A többintézményes MRN-probléma

Fúziókon keresztül felépített kórházi hálózatokban örökölt EHR-rendszerek működnek. Mindegyiknek saját MRN-formátuma van:

  • Memorial Hospital (Epic): MRN:XXXXXXX — 7 jegyű szám előtaggal
  • St. Mary's (Cerner): PT-YYYYY — 5 jegyű beteg-előtaggal
  • University Hospital (Meditech): UHN-XXXXXXXXXX — 10 karakteres vegyes formátum
  • Klinika (önálló EMR): C\d{5} — C betű plusz 5 jegy

A HIPAA Safe Harbor megköveteli mind a 18 azonosítótípus eltávolítását. A 8. kategória: beteg nyilvántartási számok. Egy eszköz, amely nem ismeri az ön formátumát, el fogja hagyni őket. A fájl tisztának tűnik. Valójában nem az.

A ServiceNow egészségügyi közössége pontosan ezt a problémát jegyezte meg. A standard eszközök kiszűrik a TB-számokat és a telefonszámokat. Az intézményspecifikus MRN-eket minden alkalommal kihagyják.

A regex-akadály

Egyedi szabályok hozzáadása a Microsoft Presidióhoz — sok HIPAA-eszköz nyílt forráskódú alapjához — valódi szakértelmet igényel:

  • Ismerni kell a PatternRecognizer osztályt
  • Regex-et kell írni Python-szintaxisban
  • YAML-konfigurációs fájlokat kell beállítani
  • Bizalmi pontszámokat kell hangolni
  • Python-szkripteket kell tesztelni és hibakeresni

Egy megfelelési vezető, aki ismeri az MRN-formátumot, ezt egyedül nem tudja elvégezni. A megoldás végül mérnöki jegyként kerül be a várólistára. Hat-nyolc hétig vár. A rés nyitva marad.

AI-asszisztált mintagenerálás

Van egy gyorsabb út. Írja le a mintát egyszerű szavakkal. Kapjon vissza egy működő regex-et.

Lépések:

  1. Nyissa meg az egyedi entitásépítőt
  2. Adjon meg példákat: „A mi MRN-jeink így néznek ki: MRN:1234567, MRN:9876543, MRN:0001234”
  3. Az AI elkészíti a szabályt: MRN:\d{7}
  4. Tesztelje 10 mintarekordra
  5. Minden MRN megtalálva? Mentse és alkalmazza.

Négy MRN-formátumot tartalmazó hálózatnál:

  • Memorial Hospital → MRN:\d{7}
  • St. Mary's → PT-\d{5}
  • University Hospital → UHN-[A-Z0-9]{10}
  • Klinika → C\d{5}

Készítsen négy egyedi entitást. Csoportosítsa őket egy presetbe. Futtassa az összes fájlon. Időigény: egy délután.

A teljes útmutatóért lásd: egyedi MRN-felismerés HIPAA-folyamatokban kód nélkül.

Validálás a Safe Harbor számára

A HIPAA Safe Harbor szerint a fedezett szervezetnek nem lehet „tényleges tudomása” arról, hogy az adatok azonosíthatnak valakit. (45 CFR §164.514(b))

A validálás igazolja, hogy az egyedi szabályok lefedik mind a 18 azonosítótípust.

1. lépés: Mintavétel. Vegyen 100 rekordot minden telephelyről. Keverjen különböző időszakokat és osztályokat.

2. lépés: Felismerés futtatása. Dolgozza fel a 400 dokumentumot az egyedi szabályokkal.

3. lépés: Emberi ellenőrzés. Vizsgáljon át 20 dokumentumot kézzel (5%-os minta). Keressen kihagyott MRN-eket és téves találatokat.

4. lépés: Szabályok finomítása. Kihagyott MRN-ek? Szélesítse a mintát. Túl sok téves találat? Adjon szóhatárokat.

5. lépés: Dokumentálás. Naplózza a szabályt, a mintaméretet, az eredményeket és a dátumot. Ez a napló a Safe Harbor-bizonyítéka.

A dokumentálásról bővebben lásd: magyarázható kiszűrés és HIPAA audit trail-ek.

Teljes Safe Harbor-lefedettség

Az MRN-felismerés javítása után ellenőrizze mind a 18 kategóriát.

KategóriaStandard eszközökEgyedi szükséges?
1. NevekNER-modellNem
2. Földrajzi adatokHelyzetfelismerésNem állami szintnél; Igen telephelykódoknál
3. DátumokDátumfelismerésNem
4. TelefonszámokTelefonfelismerésNem
5. FaxszámokTelefonfelismerésNem
6. E-mail-címekE-mail-felismerésNem
7. TB-számokTB-felismerésNem
8. Beteg nyilvántartási számokNincs beépítveIgen — telephelyspecifikus
9. Biztosítási tagsági számokRészlegesSokszor igen — biztosítóspecifikus
10. SzámlaszámokRészlegesSokszor igen — számlázási formátum
11. EngedélyszámokRészlegesSokszor igen — tagállamspecifikus
12. JárműazonosítókRészlegesRitka a klinikai iratokban
13. EszközazonosítókRészlegesIgen, ha az eszközök szerepelnek a nyilvántartásban
14. WebcímekURL-felismerésNem
15. IP-címekIP-felismerésNem
16. Biometrikus azonosítókSzövegkontextusRitka az elbocsátási feljegyzésekben
17. FényképekCsak képfeldolgozásSzöveges hatókörön kívül
18. Egyéb egyedi azonosítókNincs beépítveIgen — telephelyspecifikus

Klinikai szövegnél a 8., 9., 10. és 18. kategória igényel leggyakrabban egyedi beállítást.

Klinikai dokumentum-kontextus

Elbocsátási feljegyzések, klinikai feljegyzések és műtéti jelentések azok a fő fájlok, amelyeket kutatáshoz megosztanak. Ezek tartalmazzák:

  • MRN-eket fejlécekben és láblécekben
  • Számlaszámokat számlázási szakaszokban
  • Dátumokat minden eseményre — felvétel, beavatkozás, labor, gyógyszer
  • Orvosneveket és DEA-számokat
  • Beutaló orvosok adatait
  • Biztosítási tagsági azonosítókat

Az egyedi szabályok a telephelyspecifikus formátumokhoz a beépített szabályokkal párosulnak a standard formátumokhoz. Ez a párosítás teljes Safe Harbor-lefedettséget biztosít.

Összefoglalás

A HIPAA-de-azonosítás egyedi szabályok nélkül nem Safe Harbor-de-azonosítás. Minden kórház MRN-formátuma egyedi. A standard eszközök kihagyják őket. A megfelelési rés valós, és addig nyitva marad, amíg le nem zárják.

Az AI-alapú mintagenerálás a megoldást 6–8 hetes mérnöki munkáról egy délutáni megfelelési feladatra csökkenti. Írja le a formátumot. Tesztelje valódi rekordokon. Alkalmazza. Kész.

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.