anonym.legal

By · Last updated 2026-06-05

Atpakaļ uz BloguGDPR un Atbilstība

Dānija CPR: Modulus-11 validācija GDPR atbilstībai

67% NLP rīku izlaiž dāņu CPR numura modulus-11 validāciju. Datatilsynet 14 veselības aprūpes izpildes darbības 2024. gadā. Veselības datu sekundārā izmantošana.

June 5, 20267 min lasīšanai
Denmark DatatilsynetCPR modulus-11Danish healthcare GDPRhealth data anonymizationNordic compliance

Dānijas CPR numuri: GDPR atbilstības rokasgrāmata

Atjaunots 2026. gadā

Dānijas datu uzraudzības iestāde Datatilsynet 2024. gadā izdeva 31 GDPR lēmumu. Četrpadsmit attiecās uz veselības aprūpes datiem. Šis augstais īpatsvars atspoguļo divus faktus: Dānijā darbojas liela nacionālā veselības sistēma, un tehniskās nepilnības tajā turpina atklāt pacienta ierakstus.

CPR numuru kontrolcipara noteikums

CPR numurs ir Dānijas personas ID. Tas ir 10 cipari DDMMGG-XXXX formātā. Pirmie seši cipari ir dzimšanas datums. Pēdējie četri ir kods plus kontrolcipars.

Kontrolcipars izmanto modulus-11 noteikumu:

  1. Ņemiet 1. līdz 9. ciparus.
  2. Piešķiriet katram svara koeficientu: 4, 3, 2, 7, 6, 5, 4, 3, 2.
  3. Reiziniet katru ciparu ar tā svara koeficientu. Saskaitiet visus rezultātus.
  4. Daliet ar 11. Ievērojiet atlikumu.
  5. Atlikums 0 → kontrolcipars ir 0.
  6. Atlikums 1 → numurs nav derīgs.
  7. Atlikums 2–10 → kontrolcipars ir 11 mīnus atlikums.

Šis noteikums ir svarīgs jebkuram rīkam, kas skenē CPR numurus. Dažas DDMMGG-XXXX virknes nekad nevar būt derīgas. Rīki, kas izlaiž šo soli, atzīmē datumus, rēķinu kodus un atsauces numurus kā reālus ID.

Iestādes 2024. gada pārskats atklāja, ka 67% vispārējo NLP rīku izlaiž šo pārbaudi. Šī plaisa ir galvenā tehniskā kļūme tās veselības aprūpes lietās.

Dānijas pieci veselības reģistri

Dānija saista veselības datus pāri pieciem nacionālajiem reģistriem. Personas ID saista visus piecus kopā.

  • Slimnīcas izrakstu ieraksti (no 1977. gada)
  • Recepšu dati (no 1995. gada)
  • Vēža reģistrs (no 1943. gada)
  • Nāves cēloņu reģistrs (no 1970. gada)
  • Primārās aprūpes diagnozes (no 1990. gada)

Tas padara dāņu veselības pētījumus ļoti stiprus. Tas rada arī risku. Neapstrādāta ID noņemšana nav pietiekama. Datu kopa, kurā joprojām ir vecums, dzimums, diagnoze un gads, var atkārtoti atklāt cilvēkus — īpaši tos ar retām slimībām.

Datatilsynet 2024. gada vadlīnijas par veselības datu sekundāro izmantošanu nosaka trīs prasības.

Dokumentējiet, ko darījāt ar datiem: Uzskaitiet, kuri lauki tika noņemti, kuri tika noapaļoti vai grupēti, un kādu grupas lielumu sasniedz rezultāts. Politikas piezīme neatbilst šim standartam.

Iegūstiet ārēju pārskatu lielām kopām: Datu kopām ar vairāk nekā 5 000 cilvēku iestāde iesaka neatkarīgu tehnisko pārskatu par de-identifikācijas soļiem.

Pielāgojiet datus jautājumam: Datu kopai jāatbilst norādītajam pētījuma mērķim. Iestāde atklāja gadījumus, kad komandas izmantoja pilnus nacionālos reģistrus, lai gan ar mazāku izlasi pietiktu.

Skatiet mūsu ES nacionālo ID noteikšanas rokasgrāmatu, lai uzzinātu, kā kontrolcipara noteikumi attiecas uz citiem Eiropas ID formātiem.

Ko atklāja 2024. gada lietas

Četrpadsmit veselības aprūpes lietas kopīgo trīs tipiskus kļūmju veidus.

Pētījuma datu apmaiņa: Slimnīca nosūta de-identificētu pacienta datu kopu akadēmiskam partnerim AI apmācībai. Kopā ir dzimšanas datuma daļas, diagnozes kodi un ārstēšanas datumi. Iestāde konstatē, ka šī kombinācija atkārtoti atklāj pacientus ar retām slimībām. Neparastas diagnozes ātri sašaurina loku.

Trešo pušu AI pakalpojumi: Veselības tehnoloģiju uzņēmums nosūta pacienta piezīmes uz ASV bāzētu AI pakalpojumu klīnisko ierakstu apstrādei. Personas ID šajās piezīmēs netiek noņemti vispirms. Nav spēkā esoša pārsūtīšanas mehānisma.

OCR cauruļvadu nepilnības: Apdrošinātājs apstrādā skenētas PDF formas invaliditātes prasījumiem. Tā OCR rīks pārveido attēlus tekstā. Taču tas neparbauda kontrolciparus izvadē. Daudzi ID tiek izlaisti.

OCR bieži ievieto atstarpes numura vidū vai pārvieto svītru. Vienkārša parauga saskaņošana darbojās uz šādas izvades. Noteikšanai jādarbojas uz OCR teksta, nevis tikai tīras ievades. Skatiet mūsu OCR veselības aprūpes noteikšanas rokasgrāmatu, lai uzzinātu, kā apstrādāt skenētus dokumentus.

Trīs tehniski obligātas prasības

Šie trīs elementi veido pamatu Dānijas veselības aprūpes GDPR atbilstībai.

Kontrolcipara pārbaudes visam tekstam: Palaidiet pilno modulus-11 pārbaudi katrai kandidāta virknei. Pielietojiet to gan tīram tekstam, gan OCR izvadei.

Dāņu valodas vārdu noteikšana: Izmantojiet modeli, kas apmācīts uz dāņu teksta. spaCy da_core_news modelis ir viena no iespējām. Vispārīgs angļu modelis izlaiž dāņu vārdus un organizācijas nosaukumus.

De-identifikācijas ieraksti: Dokumentējiet, kas tika noņemts, kas tika grupēts un izvades grupas lielumu. Iestāde to pieprasa tehniskā formā, nevis kā politikas piezīmi.

Datus par veselības aprūpes datu incidentu izmaksām skatiet mūsu veselības aprūpes pārkāpumu izmaksu analīzē.

Avoti

Saistītie Raksti

GDPR un Atbilstība

Japan My Number: Verhoeff & APPI

63% of generic tools fail My Number detection in Japanese documents. My Number uses Verhoeff algorithm — the most complex national ID checksum in Asia.

GDPR un Atbilstība

HDPA Greece: AFM & AMKA Detection

Greek AFM detected with 52% accuracy by generic tools. HDPA issued 89 decisions in 2024 — up 162% from 2022. Tourism and maritime sectors face distinct.

GDPR un Atbilstība

NAIH Hungary: TAJ-Szám and Adóazonosító Jel

Hungarian NER accuracy is 67% vs. EU average 82% — NAIH's 2024 assessment. TAJ-szám weighted checksum and adóazonosító jel detection gaps.

Vai esat gatavi aizsargāt savus datus?

Sāciet PII anonimizāciju ar 285+ entitāšu veidiem 48 valodās.

Sākt Bezmaksas IzmēģinājumuSkatīt 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.