anonym.legal

By · Last updated 2026-06-05

Terug naar BlogGezondheidszorg

HHS 2025: AI klinische aantekeningen en PHI

AI-transcriptiesystemen kunnen per ongeluk de PHI van patiënt A in het dossier van patiënt B plaatsen. Hier is waarom real-time PHI-detectie vóór EHR-vastlegging de juiste aanpak is.

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

Het privacyprobleem met AI-klinische aantekeningen

Bijgewerkt voor 2026

Ziekenhuizen en klinieken gebruiken AI om klinische aantekeningen te schrijven. AI transcribeert spraak en conceptualiseert tekst. Maar dit creëert een HIPAA-kloof die handmatige review niet kan sluiten.

AI-gegenereerde aantekeningen stellen patiëntdossiers op drie manieren bloot:

  1. Kruisbesmetting: AI kan informatie van één patiënt in het dossier van een andere patiënt plaatsen. Medische AI-studies hebben kruisbesmettingspercentages gemeld van 2–5% in meertalige medische transcriptie.

  2. Hallucinatie: AI kan details toevoegen die niet zijn uitgesproken, inclusief plausibele maar onjuiste PHI.

  3. Opgeslagen contextvensters: Sommige AI-systemen bewaren conversatiecontext. Eerdere patiëntgegevens kunnen doorlekken in latere sessies.

De HHS-guidance van 2025

HHS publiceerde guidance in 2025 over AI in klinische documentatie. De kernpunten:

  • AI-transcriptietools die PHI verwerken, zijn Business Associates onder HIPAA
  • Een BAA is vereist vóór gebruik
  • "Satisfactory assurances" vereisen bewijs dat de tool PHI correct verwerkt
  • Organisaties zijn verantwoordelijk voor AI-gegenereerde onjuistheden die PHI bevatten

Real-time PHI-detectie vóór EHR-vastlegging

De preventiearchitectuur:

  1. AI transcribeert klinische aantekening
  2. Aantekening wordt door PHI-detectiepijplijn gestuurd vóór EHR-vastlegging
  3. Detectie identificeert mogelijke kruisbesmettingsmarkers (namen die niet overeenkomen met de huidige patiënt, ID's van andere patiënten)
  4. Verdachte passages worden gemarkeerd voor arts-review
  5. Na verificatie wordt de aantekening vastgelegd in het EHR

Deze stap — detectie vóór vastlegging — kan het kruisbesmettingsprobleem niet volledig elimineren (AI-fouten worden door de arts gecorrigeerd), maar het biedt een systematische interceptiepas die het risico meetbaar reduceert.

Integratie met EHR-systemen

Anonym.legal's API integreert in EHR-workflows vóór de vastleggingstap. De API retourneert een vertrouwensscore per gedetecteerde PHI-entiteit. Lage-vertrouwensdetecties worden gemarkeerd voor review. Hoge-vertrouwensdetecties worden automatisch vervangen of geblokkeerd.

Gerelateerde Artikelen

Gezondheidszorg

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.

Gezondheidszorg

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.

Gezondheidszorg

HIPAA MRN Detection Without a Regex PhD

Every hospital's MRN format is different. Memorial uses MRN:XXXXXXX, St. Mary's uses PT-YYYYY, University Hospital uses UHN-XXXXXXXXXX.

Klaar om uw gegevens te beschermen?

Begin met het anonimiseren van PII met 285+ entiteitstypen in 48 talen.

Start Gratis ProefperiodeBekijk Kenmerken

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.