HIPAA MRN-deteksjon uten regex-doktorgrad
Hvert sykehus har sitt eget MRN-format. Memorial bruker MRN:XXXXXXX, St. Mary's bruker PT-YYYYY, University Hospital bruker UHN-XXXXXXXXXX.
HIPAA: Sykehus-Spesifikk MRN-Deteksjon
HIPAA Safe Harbor krever fjerning av medisinske journalnumre -- men MRN-formater er ikke standardisert. Epic, Cerner og Meditech bruker alle forskjellige formater.
HIPAA Safe Harbor de-identifikasjon i stor skala
HIPAA Safe Harbor krever fjerning av 18 spesifikke PHI-identifikatorkategorier. Akademiske medisinske sentre trenger de-identifikasjon i stor skala, men eksisterende verktoy er priset for sykehussystemer, ikke forskningstilskudd.
ISO 27001 og HIPAA BAA for helseleverandorer
HIPAA Business Associate Agreements krever "tilfredsstillende forsikringer" om passende sikkerhetstiltak. ISO 27001 svarer direkte til HIPAA 164.308, 164.310 og 164.312.
Tilpasset MRN-gjenkjenning uten kode for HIPAA
Medisinske journalnumre er sykehus-spesifikke - hvert helsevesen bruker et annet format. HIPAA Safe Harbor krever fjerning av MRN-er.
18 HIPAA-identifikatorer verktyet ditt overser
HIPAA lister opp 18 PHI-identifikatorer. De fleste anonymiseringsverktoy oppdager kanskje 6 av dem. Medisinsk journalnummer varierer etter institusjon uten et standardformat i USA.
Reversibel kryptering for re-kontakt
Du kan ikke kontakte Patient_001 for en oppfolgingsbesok. IRB-er krever na dokumenterte re-identifiseringsprotokoller — som beviser at du KAN re-identifisere under.
Reversibel de-identifisering i klinisk forskning
Når en studie finner uventet biomarkrisiko hos 47 av 5 000 deltakere, må forskerne kontakte ekte pasienter. Bare 23 % av anonymiseringsverkøy tilbyr ekte reversibilitet.
HIPAA-kompatibel ChatGPT med nettleserbeskyttelse
77 % av ansatte deler sensitiv arbeidsinformasjon med AI-verkøy minst ukentlig. Sanntids nettleser-PHI-avskjæring reduserer lekkasjetilfeller med 94 %.
Batchbehandling av 50 000 kliniske notater lokalt
En kjennelse fra SDNY i februar 2026 fastslo at AI-behandlede dokumenter mister advokat-klient-privilegiet hvis de ikke er anonymisert før behandling.
LLM-er overser 50 % av klinisk PHI
En studie fra 2025 fant at LLM-er overser mer enn 50 % av klinisk PHI i flerspraklige dokumenter. 34,8 % av alle ChatGPT-inndata inneholder sensitive data.
Forklarbar anonymisering: HIPAA-revisjoner
HIPAA Expert Determination krever dokumentert metodikk. Juridisk e-discovery krever begrunnelse per anonymisering. 34 % av DPO-er rapporterer utilstrekkelige verktoy for samsvardokumentasjon.
HIPAA i skyen: Zero-knowledge for PHI
Business Associate Agreements forhindrer ikke HIPAA-brudd nar din skybaserte KI-leverandor behandler PHI i klartekst. Her er hva zero-knowledge-arkitektur faktisk gjor.
Nar CISO-er sier nei til skybasert PHI-behandling
725 databrudd i helsesektoren i 2024 berørte 275 millioner journaler. Med gjennomsnittlige bruddkostnader pa 10,22 millioner dollar - de høyeste i noen bransje - nekter helse-CISO-er skyverktøy.
HHS 2025: KI-kliniske notater trenger PHI-beskyttelse
KI-transkripsjonssystemer kan utilsiktet plassere pasient A-s PHI i pasient B-s journal. Her er hvorfor sanntids PHI-oppdagelse for EHR-lagring er den rette kontrollen.
Handskrevne skjemaer: OCR og deteksjon av personopplysninger
Et mellomstort sykehus behandler 50 000 handskrevne inntaksskjemaer arlig. Manuell anonymisering av personopplysninger i dette volumet krever 0,5 arsverk.
HIPAA OCR: 725 brudd, 275 millioner journaler
HHS OCR rapporterte 725 HIPAA-brudd i 2024 som berørte 275 millioner journaler – det høyeste noensinne. Gjennomsnittlig kostnad per helsebrudd: 10,22 millioner dollar.
PHI-gjenkjenning: Snow Labs 96 % vs GPT-4o
Ikke alle anonymiseringsverktoy er like gode. ECIR 2025-benchmarks viser F1-scorer fra 79 % til 96 %. Laer hvorfor noyaktighet er avgjorende og hvordan du evaluerer verktoy.
$7,42M: Helsedata-brudd koster mest
Helsesektoren har vaert den dyreste bransjen for databrudd i 14 ar pa rad. Laer hvorfor PHI er sa verdifullt og hvordan du beskytter det.
Begynn å Beskytte Dataene Dine I Dag
285+ enhetstyper, 48 språk, bedriftskvalitetssikkerhet til oppstartspriser.
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.