By · Last updated 2026-04-30

Tilbake til BloggHelsevesen

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.

April 30, 20268 min lesing
custom MRN detectionHIPAA pipeline configurationno-code regexAI pattern helperhospital identifier de-identification

MRN-formatproblemet

USA har rundt 6 100 sykehus. Hvert kjoret sitt eget EHR-system. Hvert bruker sitt eget Medical Record Number-format. Det finnes ingen nasjonal standard. The Joint Commission krever at sykehus kan identifisere pasienter - men setter ingen formatregler.

Formatene varierer mye. Noen er 7-sifrede heltall. Andre er 8-sifrede heltall. Noen bruker prefikskoder som HOSP-, MRN- eller PT-. Andre legger til institusjonskoder som SVHS- eller CHOP-. Noen innbygger registreringsaret i nummeret.

HIPAA Safe Harbor lister pasientjournalnumre som identifikatortype 8 av 18. (45 CFR §164.514(b)(2)) Alle 18 ma fjernes. Regelen begrenser ikke dette til ett bestemt format. Hvis sykehuset ditt bruker et egendefinert format, ma du oppdage det. Et verktoy som mister det, svikter Safe Harbor - selv om det fjerner alle de andre 17 typene.

Hvorfor kode-tilnaermingen feiler

Standardmaten a legge til et egendefinert journalnummerformat i en de-identifiseringspipeline pa er a utvide Microsoft Presidio. Det betyr a skrive Python.

En utvikler oppretter en klasse som utvider EntityRecognizer. De skriver regex, kobler det inn i Presidios register, tester det og vedlikeholder det. For samsvarsgrupper - som sjelden koder - er dette en hard blokkering. Hvert formatendring trenger en ingeniori.

Helseingeniorer er opptatt. De fokuserer pa EHR-integrasjon og kliniske systemer. Samsvarsverktoy er sjelden deres topprioritet.

Den kodefri monster-arbeidsflyten

Den veiledede monster-tilnaermingen fjerner kodingstrinnet.

En samsvarsansvarlig apner Custom Entity Creator i nettappen. De limer inn fem eksempelnumre fra systemet sitt - for eksempel:

SVHS-0012345
SVHS-0987654
SVHS-1122334
SVHS-4455667
SVHS-8899001

De klikker Generer monster. KI-en leser strukturen og returnerer:

  • Monster: SVHS-\d{7}
  • Konfidens: hoy
  • Foreslatt navn: HOSPITAL-MRN
  • Foreslatt erstatning: [MRN]

Den ansvarlige limer inn fem flere eksempler. Monsteret bestir. De lagrer det i HIPAA-forhansinnstillingen.

Fra det tidspunktet oppdager hver sesjon - nettapp, Office-tillegg, skrivebordsapp og API - dette formatet i standard PHI-gjennomgang. Ingen kode trenger.

GDPR-forskningsnotat

GDPR artikkel 89 krever pseudonymisering for forskningsdatasett. Egendefinerte enheter setter institusjons-spesifikke identifikatorer i omfang - og lukker gapet som generiske verktoy etterlater.

Hva du far

Denne arbeidsflyten tar en ettermiddag. Egendefinert kode tar uker.

Den samsvarsansvarlige definerer monsteret, tester det og ruller det ut. Ingen billett. Ingen ventetid. Forhansinnstillingen holder den egendefinerte enheten ved siden av de standard 17 Safe Harbor-identifikatorene.

Nar neste batch med kliniske notater kjoer, dekkes alle 18 identifikatortyper. Safe Harbor er fullstendig.

Se HIPAA Safe Harbor de-identifikasjon for helsetjenesteforskning for hvordan Safe Harbor fungerer i praksis. For sykehus-spesifikke gjenkjenningsmonstre, se gjenkjenning av sykehus-spesifikke MRN-formater uten ingeniorkompetanse.

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.