Wykrywanie MRN zgodne z HIPAA bez doktoratu z wyrażeń regularnych
Format MRN każdego szpitala jest inny. Memorial używa MRN:XXXXXXX, St. Mary's używa PT-YYYYY, University Hospital używa UHN-XXXXXXXXXX.
HIPAA: wykrywanie numerów MRN specyficznych dla szpitali
HIPAA Safe Harbor wymaga usunięcia numerów dokumentacji medycznej — ale formaty MRN nie są ustandaryzowane. Epic, Cerner i Meditech używają różnych formatów.
De-identyfikacja HIPAA Safe Harbor w skali: przewodnik dla badaczy
Metoda HIPAA Safe Harbor wymaga usunięcia 18 konkretnych kategorii identyfikatorów PHI. Akademickie centra medyczne potrzebują de-identyfikacji w skali, ale istniejące narzędzia są wycenione dla szpitali, nie dla grantów badawczych.
ISO 27001 i umowy BAA na potrzeby HIPAA w ochronie zdrowia
Umowy Business Associate Agreement (BAA) wymagane przez HIPAA muszą zawierać "wystarczające zapewnienia" dotyczące stosowanych zabezpieczeń. ISO 27001 bezpośrednio odpowiada wymaganiom HIPAA z sekcji 164.
Wykrywanie niestandardowych MRN w potoku HIPAA bez pisania kodu
Numery dokumentacji medycznej są specyficzne dla każdego szpitala — każdy system opieki zdrowotnej stosuje inny format. Metoda Safe Harbor w ramach HIPAA wymaga usunięcia MRN, jednak brak standardu formatu sprawia, że generyczne narzędzia je pomijają.
18 identyfikatorów HIPAA, które twoje narzędzie pomija
HIPAA wymienia 18 kategorii identyfikatorów PHI. Większość narzędzi do anonimizacji wykrywa może sześć z nich. Numery dokumentacji medycznej różnią się między placówkami — nie istnieje żaden ogólnoamerykański standard formatu.
Odwracalne szyfrowanie w protokołach re-identyfikacji badawczej
Nie możesz skontaktować się z Pacjentem_001 w ramach wizyty kontrolnej. Komisje IRB wymagają teraz udokumentowanych protokołów re-identyfikacji — musisz wykazać, że MOŻESZ re-identyfikować pod.
Odwracalna de-identyfikacja w badaniach klinicznych
Gdy badanie ujawnia nieoczekiwane ryzyko biomarkerów u 47 z 5 000 uczestników, badacze muszą skontaktować się z prawdziwymi pacjentami. Zaledwie 23% narzędzi do anonimizacji oferuje.
ChatGPT zgodny z HIPAA: ochrona PHI w przeglądarce
77% pracowników udostępnia wrażliwe informacje zawodowe narzędziom AI co najmniej raz w tygodniu. Przechwytywanie danych PHI w przeglądarce w czasie rzeczywistym redukuje incydenty wycieków o 94%.
Masowe przetwarzanie 50 tys. notatek klinicznych lokalnie
Orzeczenie SDNY z lutego 2026 r. stwierdziło, że dokumenty przetwarzane przez AI tracą przywilej adwokacki, jeśli nie zostały wcześniej zanonimizowane.
Modele językowe pomijają 50% klinicznych PHI
Badanie z 2025 roku wykazało, że modele językowe pomijają ponad 50% klinicznych PHI w dokumentach wielojęzycznych. 34,8% wszystkich danych wprowadzanych do ChatGPT zawiera informacje wrażliwe.
Wyjaśnialna redakcja: audyty HIPAA
Metoda ekspercka HIPAA wymaga udokumentowanej metodologii. Wykrywanie elektroniczne e-discovery wymaga podstaw każdej redakcji. 34% DPO zgłasza niewystarczające narzędzia do dokumentowania automatycznej anonimizacji.
HIPAA w chmurze: architektura zero-knowledge dla PHI
Umowy z partnerami biznesowymi (BAA) nie zapobiegają naruszeniom HIPAA, gdy chmurowy dostawca AI przetwarza PHI w postaci jawnego tekstu. Oto co zapewnia architektura zero-knowledge i dlaczego BAA to za mało.
Gdy CISO mówi nie przetwarzaniu PHI w chmurze
725 naruszeń danych medycznych w 2024 roku dotknęło 275 milionów rekordów. Przy średnim koszcie naruszenia wynoszącym 10,22 mln USD – najwyższym w jakiejkolwiek branży – dyrektorzy ds. bezpieczeństwa w ochronie zdrowia blokują narzędzia chmurowe dla danych PHI.
HHS 2025: notatki kliniczne AI wymagają ochrony PHI
Systemy transkrypcji AI mogą nieumyślnie przenosić PHI pacjenta A do dokumentacji pacjenta B. Oto dlaczego detekcja PHI przed zapisem do EHR jest właściwym środkiem kontroli.
OCR formularzy odręcznych i wykrywanie danych osobowych w ochronie zdrowia
Średniej wielkości szpital przetwarza rocznie 50 000 odręcznych formularzy przyjęć. Ręczna redakcja danych osobowych przy takiej skali wymaga 0,5 etatu.
HIPAA OCR: 725 Naruszeń, 275 mln Rekordów Pacjentów
HHS OCR odnotowało 725 naruszeń HIPAA w 2024 roku dotyczących 275 mln rekordów — rekord wszech czasów. Średni koszt naruszenia w ochronie zdrowia wynosi 10,22 mln USD.
Wykrywanie PHI: Snow Labs 96% vs GPT-4o
Nie wszystkie narzędzia do de-identyfikacji są równe. Benchmarki ECIR 2025 pokazują wyniki F1 od 79% do 96%. Dowiedz się, dlaczego dokładność ma znaczenie i jak oceniać narzędzia.
$7,42 mln: Ochrona Zdrowia Liderem Kosztów Naruszeń
Ochrona zdrowia jest najbardziej kosztowną branżą pod względem naruszeń danych przez 14 kolejnych lat. Dowiedz się, dlaczego PHI jest tak cenne i jak je chronić.
Zacznij chronić swoje dane już dziś
285+ typów podmiotów, 48 języków, bezpieczeństwo klasy przedsiębiorstw w cenach startowych.
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.