HIPAA MRN AI: パターン生成とカスタムエンティティ
AIを使用した病院固有MRN(医療記録番号)パターンの自動生成と、カスタムエンティティの動的追加。
HIPAA MRN検出: 病院固有パターン
HIPAA Safe Harbor要件と、各病院固有のMRN(医療記録番号)形式の検出・保護技術。
HIPAAセーフハーバーによる大規模な非識別化：医療研究者のための実用ガイド
HIPAAセーフハーバーは、18の特定のPHI識別子カテゴリを削除することを要求します。学術医療センターは大規模な非識別化が必要ですが、既存のツールは年間10万ドルから始まります。このガイドでは、研究データセットの非識別化の実用的アプローチを説明します。
ISO 27001とHIPAA BAA：医療ベンダーが顧客を獲得し維持するために必要な証拠パッケージ
HIPAAビジネスアソシエイト契約は、適切な保護措置の「満足のいく保証」を要求します。ISO 27001はHIPAA 164.308-316のセキュリティ要件に直接対応しています。統一された管理フレームワークは、監査の重複を60%削減します（ISACA...
コードなしでのカスタムMRN検出：HIPAAパイプラインに病院特有の識別子を追加する
医療記録番号は病院特有であり、各医療システムは異なる形式を使用しています。HIPAAのセーフハーバーはMRNの削除を要求します。一般的なPIIツールは独自の形式を検出できません。AI支援のパターン作成は、5つのサンプル値から2分以内に検証済みのregexを生成します。
あなたのPIIツールが見逃している可能性のある18のHIPAA識別子
HIPAAは18のPHI識別子をリストしています。ほとんどの匿名化ツールはそのうちの6つしか検出できません。医療記録番号は機関によって異なり、標準的な米国形式はありません。45 CFR...
非識別化だが消えない：縦断研究再接触のための可逆暗号化
Patient_001にフォローアップ訪問のために連絡できません。IRBは、文書化された再識別プロトコルを要求しています — 無許可のアクセスを防ぎながら、制御された条件下で再識別が可能であることを証明します。2024年のGDPR施行は56%増加しました。
臨床研究における可逆的な非識別化：プライバシーと患者フォローアップの両方が必要なとき
研究が5,000人の参加者のうち47人に予期しないバイオマーカーリスクを発見した場合、研究者は実際の患者に連絡する必要があります。非識別化ツールのうち、真の可逆性を提供するものはわずか23％です（IAPP 2024）。永続的な非識別化は、臨床的に必要なフォローアップを不可能にします。
臨床学習のためのAI: HIPAA準拠のChatGPTの使用がブラウザレベルのPHI保護により遂に可能になった理由
77%の従業員が少なくとも週に1回AIツールに機密の業務情報を共有しています。リアルタイムのブラウザによるPIIの傍受は漏洩事件を94%削減します（Menlo Security 2025）。医療機関は、臨床AIの採用を遅らせるポリシーではなく、摩擦のないPHI保護を必要としています。
50,000件の臨床ノートをローカルでバッチ処理する：高ボリュームのPHI非識別化に関する実用ガイド
2026年2月のSDNYの判決は、AI処理された文書が処理前に匿名化されていない場合、弁護士-クライアント特権を失うことを発見しました。医療研究機関は数十万件のノートを非識別化する必要があります。クラウドアップロードは実用的および規制上の懸念を引き起こします。
なぜLLMは臨床PHIの50%を見逃すのか — そして研究が示すより良い非識別化について
2025年の研究では、LLMが多言語文書において臨床PHIの50%以上を見逃すことが判明しました。全ChatGPT入力の34.8%が機密データを含んでいます。HIPAAのセーフハーバー非識別化は、18種類の特定の識別子を削除することを要求します — 一般的なLLMはこれを信頼性高く行うことができません。
説明可能な削除: なぜ監査人は「AIがやった」以上のものを必要とするのか
HIPAAの専門家の判断は文書化された方法論を必要とします。法的な電子発見は、削除ごとの根拠を必要とします。34%のDPOが自動化された匿名化コンプライアンスのための不十分なツールを報告しています（IAPP 2025）。説明可能な削除が必要とするものはこれです。
クラウドにおけるHIPAA：ゼロナレッジアーキテクチャがPHI匿名化の唯一の準拠パスである理由
ビジネスアソシエイト契約は、クラウドAIベンダーが平文でPHIを処理する場合、HIPAA違反を防ぎません。ゼロナレッジアーキテクチャが何を変えるのかを見てみましょう。
CISOがクラウドPHI処理にノーと言ったとき：ローカルファーストの非特定化の必要性
2024年には725件の医療データ侵害があり、2億7500万件の記録に影響を与えました。業界で最も高い平均侵害コストは1022万ドルで、医療CISOはクラウドベースのPHIツールの承認をますます拒否しています。臨床チームがデータをクラウドに送信せずに正確な非特定化を実現する方法を紹介します。
臨床文書のPHI防止: AI EHR統合
電子カルテ(EHR)システムにAIが統合される際の医療保護情報(PHI)の自動検出と防止メカニズム。
手書き形式 OCR: PII検出 医療保険
医療・保険業界での手書き形式のOCR処理と、OCR結果に含まれたPIIの検出・保護。
HIPAA OCR HHS: PHI匿名化執行
HHS(米国厚生労働省)Office for Civil Rights(OCR)によるHIPAA違反執行。PHI匿名化の実装ガイドライン。
PHI検出精度: John Snow Labs 96% 対 GPT-4o 79%
すべての非識別化ツールが同じではありません。ECIR 2025のベンチマークは、F1スコアが79%から96%までの範囲であることを示しています。精度がなぜ重要なのか、ツールをどのように評価するかを学びましょう。
$7.42M: なぜ医療データ侵害は他の業界よりも高額なのか
医療業界は14年連続でデータ侵害のコストが最も高い業界です。PHIがなぜそれほど価値があるのか、そしてそれをどのように保護するかを学びましょう。
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.