By · Last updated 2026-06-05

Tilbake til BloggHelsevesen

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.

June 5, 20269 min lesing
HIPAA complianceclinical documentationPHI detectionEHR privacyHHS 2025

Personvernproblemet med KI-kliniske notater

Oppdatert for 2026

Sykehus og klinikker bruker KI til aa skrive kliniske notater. KI transkriberer tale og utarbeider tekst. Men dette skaper et HIPAA-gap som manuell gjennomgang ikke kan tette.

KI-genererte notater eksponerer pasientjournaler paa tre maater:

  1. Kryssforurensning: KI kan trekke informasjon fra en pasient inn i en annen pasients journal. Medisinske KI-studier har vist denne risikoen.
  2. Kontekstutsivning: Pasientinformasjon havner i feil felt - et faktureringsnotat, et forskningsfelt eller et henviningsformular. KI fyller felt etter kontekst, ikke etter feltets formal.
  3. Leverandordatabruk: Mange KI-leverandorer sender notater tilbake for modellevaluering med mindre du melder deg ut. Dette sender pasientinformasjon til tredjepartsservere. Disse serverne har kanskje ikke en signert BAA.

HHS publiserte en foreslatt regel i 2025. Den sier at enheter som bruker KI-verktoy, ma inkludere disse verktoyene i sin risikoanalyse. Dette skaper en formell regel for KI-assistert klinisk arbeid.

HHS 2025-regelen for KI-risikoanalyse

HHS foreslo nye regler for dekkede enheter som bruker KI. Hvert KI-system som berorrer pasientjournaler, ma fremga av enhetens risikoanalyse.

Regelen har tre deler:

Tekniske sikkerhetstiltak: Gjennomga hvert KI-verktoy. Sporr:

  • Sender det pasientjournaler utenfor systemene dine?
  • Lagrer det pasientjournaler pa sine servere etter bruk?
  • Skriver det pasientinformasjon inn i feil journal?

Opplaering av ansatte: Opplaering ma dekke KI-spesifikke risikoer. Dette inkluderer tilfeller av journalforveksling.

Fysiske kontroller: Arbeidsstasjoner som kjoorer KI-verktoy, ma vaere en del av fysiske adgangskontroller.

Kliniske KI-verktoy inkluderer tale-til-tekst-tjenester, KI-notatutarbeidingsverktoy og kodingsverktoy.

Hvorfor for-lagring-oppdagelse fungerer

Den beste tekniske kontrollen er PHI-oppdagelse for notatet lagres i EHR.

Uten for-lagring-oppdagelse:

  • KI skriver utkastet
  • Ansatte gjennomgar det manuelt, under tidspress
  • Notatet lagres i EHR
  • PHI-feil er na i den permanente journalen
  • Aa rette dem krever revisjonsoppforinger og en bruddgjennomgang

Med for-lagring-oppdagelse:

  • KI skriver utkastet
  • PHI-skanning kjoores for notatet lagres
  • Flaggede elementer gar til ansatte for gjennomgang
  • Ansatte retter feil for lagring
  • EHR-journalen er ren fra starten

For-lagring-oppdagelse oppfyller HIPAA Security Rule 164.312(b). Den regelen krever systemer som registrerer og sjekker aktivitet. For-lagring-skanningen skaper en revisjonspost for hvert gjennomgatte notat.

De 18 PHI-kategoriene i KI-notater

HIPAA Safe Harbor krever fjerning av 18 kategorier av PHI (45 CFR 164.514(b)). KI-notater kan bringe frem alle 18 pa maater du kanskje ikke forventer:

  • Navn - en pasient nevner et familiemedlem i symptomhistorikken
  • Sted - hjemmeadresse i sosial historikk
  • Datoer - fodselsdatoer, innleggelsesdatoer, prosedyredatoer
  • Telefon- og faksnumre - kontaktinformasjon i henviningsnotater
  • E-postadresser - pasientoppgitte kontaktopplysninger
  • Personnummer - forsikringskontekst
  • Journalnumre - kryssreferert i KI-sammendrag
  • Helseplannumre - forsikringskontekst
  • Kontonumre - faktureringskontekst
  • Lisensnumre - leverandorlisensinfo i henvininger
  • Kjooretoymerkinger - ulykketskontekst i traumenotater
  • Enhets-IDer - implantatnotater
  • URLer - pasientinnsendte lenker til helsejournaler
  • IP-adresser - sesjonslogger for fjernaksess
  • Biometriske IDer - fingeravtrykk- eller stemmeprint-data
  • Fotografier - tilkoblede medier i KI-systemer
  • Enhver annen unik ID - tilpassede fasilitetidentifikatorer

KI-modeller kan generere alle disse fra kontekst. Oppdagelse ma dekke alle 18 - ikke bare personnummer og datoer.

Slik legger du til for-lagring-oppdagelse

En for-lagring PHI-sjekk folger fem trinn:

  1. KI skriver notatutkastet
  2. Notateteksten sendes til et oppdagelses-API for de ansatte ser det
  3. Flaggede elementer vises i utkastvisningen
  4. Ansatte gjennomgar flaggene under normal notatgjennomgang
  5. Ansatte lagrer notatet - uten flaggede elementer, eller med en logget begrunnelse

Hva systemet trenger:

  • Hastighet: under 200 ms saa det ikke bremser arbeidsflyten
  • Dekning: alle 18 HIPAA-kategorier pluss lokale monstre som ditt MRN-format
  • Skoring: elementer over 85 % er auto-flagget; 50-85 % trenger personalgjennomgang; under 50 % vises kun for referanse
  • Revisjonslogg: logg hvert flagget element, dets score og bemannelsens avgjoerelse

Revisjonsloggen gir deg direkte dokumentasjon for HHS-risikoanalysen. Den viser at du har kontroller for KI-generert PHI.

Praktisk eksempel: For-lagring-oppdagelse ved et medisinsk senter

Ett akademisk medisinsk senter brukte et KI-ambient-system for legenotater. Et 90-dagers revisjon fant to forvekslingstilfeller. Ett notat hadde en annen pasients fodselsdato. Et annet hadde et familiemedlems navn og personnummer fra sosialhistorikk.

Etter innforing av for-lagring PHI-oppdagelse:

  • Alle KI-utkast ble skannet for legegjennomgang
  • Gjennomsnittlig skannetid: 47 ms - ikke merkbart i arbeidsflyten
  • Over 90 dager: 1 247 elementer ble flagget paa tvers av 8 400 notater
  • Personalet gjennomgikk og loste 94 % av flaggede elementer
  • Null journalforvekslingshendelser etter lansering

Systemet produserer en manedsrapport. Den viser oppdagelsesrater, gjennomgangsrater og enhetstyper. Denne rapporten tjener som revisjonsbevis under HIPAA Security Rule 164.312(b).

Team som bygger denne arbeidsflyten kan bruke anonym.legals PHI-oppdagelses-API. Det dekker alle 18 HIPAA-kategorier ved under 200 ms latens. Se PHI-oppdagelses-integrasjonsveiledningen for oppsettstrinn. For helhetlig kontekst, besok siden for helsevesen-brukstilfeller.

Kilder

Klar til å beskytte dataene dine?

Begynn å anonymisere PII med 285+ enhetstyper på 48 språk.

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.