anonym.legal

By · Last updated 2026-04-28

Atgal į BlogąSveikatos Priežiūra

18 HIPAA identifikatorių, kuriuos praleidžia jūsų įrankis

HIPAA pateikia 18 PHI identifikatorių. Dauguma anonimizavimo įrankių aptinka gal 6 iš jų. Medicininių įrašų numeriai skiriasi pagal instituciją ir neturi standartinio JAV formato.

April 28, 20269 min skaityti
HIPAA 18 identifiersPHI complete detectionMRN detectionNPI DEA numbersHIPAA Safe Harbor compliance

18 HIPAA identifikatorių, kuriuos praleidžia jūsų įrankis

Atnaujinta 2026 m.

HIPAA pateikia 18 PHI identifikatorių kategorijų. Dauguma anonimizavimo įrankių aptinka gal šešias. Kitos dvylika praslysta - ir kiekviena yra atitikties spraga.

Saugiosios prieglobsčio taisyklė

HIPAA Privatumo taisyklė (45 CFR par. 164.514) apibrėžia saugiosios prieglobsčio deanonimizavimą. Visos 18 identifikatorių kategorijų turi išeiti. Pašalinkite kiekvieną ir duomenys pagal įstatymą yra deanonimizuoti. Todėl saugiosios prieglobsčio metodas yra populiarus: tai arba praleidimas, arba nesėkmė, o ne sprendimo klausimas.

18 kategorijų yra:

  1. Vardai
  2. Geografiniai duomenys, mažesni nei valstija - gatvės adresas, miestas, apskritis, pašto kodas
  3. Datos, išskyrus metus - gimimas, priėmimas, išrašymas, mirtis
  4. Telefono numeriai
  5. Faksų numeriai
  6. El. pašto adresai
  7. Socialinio draudimo kodai
  8. Medicininių įrašų identifikatoriai (MRN)
  9. Sveikatos plano naudos gavėjų kodai
  10. Sąskaitos identifikatoriai
  11. Sertifikatų ir licencijų kodai
  12. Transporto priemonių identifikatoriai ir serijos kodai
  13. Prietaisų identifikatoriai ir serijos kodai
  14. Žiniatinklio URL
  15. IP adresai
  16. Biometriniai identifikatoriai - pirštų antspaudai, balsų atspaudai
  17. Pilno veido nuotraukos ir panašūs vaizdai
  18. Bet koks kitas unikalus identifikavimo kodas ar reikšmė

Dauguma įrankių gerai tvarko 1, 4, 6 ir 7 kategorijas. Jie reguliariai praleidžia 8, 9, 10, 11, 13 ir 18.

MRN spraga

Medicininių įrašų identifikatoriai yra 8 kategorijoje. MRN formatus nustato kiekviena ligoninė. Nėra JAV nacionalinio standarto.

A ligoninė naudoja 7 skaitmenų sveikąjį skaičių. B ligoninė naudoja "PT-YYYYNNNN". C ligoninė naudoja 8 simbolių alfanumerinę eilutę. D ligoninė rašo "MRN:" prieš 9 skaitmenų kodą.

Generalinis įrankis nepažymės "PT-2024-8847" kaip PHI. Dokumentas praeina deanonimizavimo patikrinimus. Tačiau jis nėra deanonimizuotas. Joks įspėjimas nesuveikia. Komanda mano, kad darbas atliktas. Jis neatliktas.

Tai yra blogiausias sprago tipas: tylus.

Trys būdai tai ištaisyti

Koduokite Presidio. Tam reikia Python įgūdžių ir nuolatinės priežiūros. Tai veikia, bet kainuoja laiko.

Pridėkite rankinę peržiūrą. Asmuo patikrina kiekvieną dokumentą dėl MRN. Tai nėra keičiama.

Naudokite DI pagalba grindžiamą pasirinktinių objektų kūrimą. Kodavimas nereikalingas. Komanda pateikia pavyzdinius duomenis. DI sukuria modelį.

Stai kaip tai veikia. Komanda pateikia penkis pavyzdinius MRN duomenis: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. DI grąžina SVHS-\d{7} ir patikrina jį pagal pavyzdžius. Komanda jį įrašo į savo HIPAA išankstinį nustatymą. Visos būsimos sesijos aptinka formatą. Tas pats metodas veikia naudos gavėjų kodams ir prietaisų serijos kodams.

Sužinokite, kaip veikia išankstiniai nustatymai, HIPAA MRN aptikimo vadove. Sužinokite apie DI modelio darbo eigą.

Paslėpta prielaida

Daugelis komandų tikrina pavyzdinį dokumentą su vardu ir telefono numeriu. Įrankis praeina. Jie daro prielaidą, kad aprėptis yra pilna. Tačiau pavyzdžiai retai apima institucijoms būdingus identifikatorius. MRN ir naudos gavėjų kodai generalinim įrankiui atrodo kaip atsitiktinės eilutės. Jie praeina be pažymėjimo.

Tikras saugiosios prieglobsčio auditas susieja visas 18 kategorijų su aptikimo metodu. Jei bet kurios kategorijos trūksta aptikimo metodo, auditas nepraeis. Sužinokite, kaip HIPAA išankstiniai nustatymai atitinka visas 18 kategorijų pagal numatytuosius nustatymus.

Susiję Straipsniai

Sveikatos Priežiūra

HIPAA OCR: 725 Breaches, 275M Records

HHS OCR reported 725 HIPAA breaches in 2024 affecting 275M records — the highest ever. $10.22M average healthcare breach cost.

Sveikatos Priežiūra

Handwritten Form OCR & PII Detection

A mid-size hospital processes 50,000 handwritten intake forms per year. Manual PII redaction at this volume requires 0.5 FTE.

Sveikatos Priežiūra

HHS 2025: AI Clinical Notes Need PHI

AI transcription systems can inadvertently put Patient A's PHI in Patient B's record. Here's why real-time PHI detection before EHR commit is the control.

Pasiruošę apsaugoti savo duomenis?

Pradėkite anonimizuoti PII su 285+ subjektų tipais 48 kalbomis.

Pradėti Nemokamą Bandomąją VersijąPeržiūrėti Funkcijas

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.