anonym.legal

By · Last updated 2026-06-05

Terug naar BlogGDPR & Naleving

Datatilsynet: Deense zorgdata en AVG

Deens Datatilsynet nam 31 AVG-beslissingen in 2024; 14 betroffen gezondheidsinformatiesystemen. CPR-nummer vereist modulus-11-validatie die 67% van de NLP-tools overslaat.

June 5, 20268 min lezen
Denmark DatatilsynetCPR numberhealthcare GDPRNordic data protectionhealth data

Deense zorgdata en AVG: Datatilsynet 2024

Denemarken's Datatilsynet nam in 2024 31 AVG-zaken. Veertien daarvan — 45% — betroffen medische systemen. Denemarken heeft 5,9 miljoen inwoners. Dat aandeel is zeer hoog en weerspiegelt zowel de vergevorderde digitalisering van de gezondheidszorg als de strengheid van de regelgeving.

Het Deense gezondheidssysteem

Elke Deen heeft een CPR-nummer. Dat nummer is gekoppeld aan hun patiëntendossier, het geneesmiddelenregister, het ziekenhuisregister en weefselmonsters bij het Statens Serum Institut. Het ziekenhuisregister gaat terug tot 1977.

Dit systeem maakt Deens medisch onderzoek tot het beste ter wereld. Het betekent ook dat patiëntendossiers uiterst gevoelig zijn — vandaar de scherpe handhavingsfocus van Datatilsynet op dit gebied.

Het CPR-nummerprobleem

Het CPR-nummer is een 10-cijferig ID met het formaat DDMMJJ-XXXX. Het laatste cijfer is een controlecijfer op basis van modulus-11-wiskunde.

CPR-nummers staan in elk klinisch dossier en zijn gekoppeld aan zorg-, belasting-, bank- en stemregistraties.

Datatilsynet stelt dat de-identificatiewerk moet worden geverifieerd vóór hergebruik van patiëntgegevens voor enig nieuw doel. Toch slaat 67% van de gangbare NLP-tools de modulus-11-stap over bij CPR-nummers. Twee problemen zijn het gevolg.

Vals-positieven: Datumreeksen, factuurnummers en referentiecodes worden als echte CPR-nummers aangemerkt, wat kostbare handmatige controles vereist.

Gemiste ID's: CPR-nummers met omgewisselde cijfers falen de controle, waardoor echte patiënt-ID's ongemerkt passeren. De uitvoer ziet er schoon uit, maar is het niet.

Zie onze EU-nationaal ID-detectiegids voor hoe controlecijferregels werken bij andere EU-ID-typen.

Vier regels voor hergebruik van patiëntgegevens

Denemarken's medische registers ondersteunen toponderzoek. De 2024-richtsnoeren van Datatilsynet voor hergebruik stellen vier regels.

Documenteer uw aanpak: Beschrijf elk verwijderd of gewijzigd veld en noteer hoe waarden zijn afgerond of gegroepeerd. Een korte beleidsnota voldoet hier niet aan.

Toon testresultaten: Bewijs dat uw tool CPR-nummers en andere Deense ID's heeft gevonden. Een bewering is geen bewijs.

Beperk wat u ophaalt: Neem niet meer persoonsgegevens op dan uw studie vereist. Deze regel geldt ook voor gepseudonymiseerde datasets.

Voer een DPIA uit voor AI-tools: Elke AI-tool die Deense patiëntdossiers verwerkt, heeft een DPIA nodig. Gebruik het standaardformulier van Datatilsynet.

Drie aandachtsgebieden in Kopenhagen

Kopenhagen's medtech-sector omvat Leo Pharma, Bavarian Nordic en talrijke startups. Datatilsynet houdt drie risicogebieden nauw in de gaten.

AI-trainingssets: De autoriteit vond in 2024 bedrijven die AI-modellen trainden op bestanden met live CPR-nummers zonder geldige rechtsgrondslag.

Internationale overdrachten: Sommige bedrijven stuurden patiëntdossiers naar Amerikaanse cloudleveranciers voor AI-werkzaamheden. De autoriteit stelde dat alleen standaardcontractbepalingen (SCB's) niet volstaan — ook technische maatregelen zoals versleuteling met in Europa bewaarde sleutels zijn vereist.

Toegangslogboeken: Logboeken moeten tonen wie welke bestanden heeft ingezien en waarom. Ze dienen minimaal vijf jaar bewaard te worden.

56% van de Deense medische datalekken in 2024 was het gevolg van gebrekkige de-identificatie. Het gebruik van CPR-gevalideerde tools met Deenstalige ondersteuning elimineert de meest voorkomende oorzaak.

Voor meer over Noordse handhaving, zie onze IMY Zweden AVG-anonimiseringsgids.

Bronnen

Klaar om uw gegevens te beschermen?

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

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.