By · Last updated 2026-04-28

Voltar ao BlogSaúde

Os 18 Identificadores HIPAA que Sua Ferramenta de PII...

A HIPAA lista 18 identificadores de PHI. A maioria das ferramentas de anonimização detecta talvez 6 deles.

April 28, 20269 min de leitura
HIPAA 18 identifiersPHI complete detectionMRN detectionNPI DEA numbersHIPAA Safe Harbor compliance

18 identificadores HIPAA que sua ferramenta ignora

Atualizado para 2026.

O HIPAA lista 18 categorias de identificadores PHI. A maioria das ferramentas de anonimização detecta talvez seis. As outras doze passam despercebidas — e cada uma representa uma lacuna de conformidade.

A regra Safe Harbor

A Regra de Privacidade do HIPAA (45 CFR § 164.514) define o método de desidentificação Safe Harbor. Todas as 18 categorias de identificadores devem ser removidas. Remova todas e os dados são desidentificados por lei. É por isso que o Safe Harbor é popular: é aprovado ou reprovado, sem critério subjetivo.

As 18 categorias são:

  1. Nomes
  2. Dados geográficos menores que um estado — endereço, cidade, condado, CEP
  3. Datas exceto o ano — nascimento, internação, alta, óbito
  4. Números de telefone
  5. Números de fax
  6. Endereços de e-mail
  7. Códigos de seguridade social
  8. Identificadores de prontuário médico (MRN)
  9. Códigos de beneficiário de plano de saúde
  10. Identificadores de conta
  11. Códigos de certificado e licença
  12. Identificadores de veículo e números de série
  13. Identificadores de dispositivo e números de série
  14. URLs da web
  15. Endereços IP
  16. Identificadores biométricos — impressões digitais, impressões de voz
  17. Fotografias de rosto completo e imagens similares
  18. Qualquer outro código ou valor de identificação único

A maioria das ferramentas lida bem com as categorias 1, 4, 6 e 7. Elas perdem regularmente as categorias 8, 9, 10, 11, 13 e 18.

A lacuna do MRN

Os identificadores de prontuário médico estão na categoria 8. Os formatos de MRN são definidos por cada hospital. Não existe um formato nacional padrão nos EUA.

O hospital A usa um inteiro de 7 dígitos. O hospital B usa "PT-AAAANNNN". O hospital C usa uma string alfanumérica de 8 caracteres. O hospital D escreve "MRN:" antes de um código de 9 dígitos.

Uma ferramenta genérica não sinalizará "PT-2024-8847" como PHI. O documento passa nas verificações de desidentificação. Mas não está desidentificado. Nenhum alerta é disparado. A equipe acha que o trabalho está feito. Não está.

Este é o pior tipo de lacuna: uma lacuna silenciosa.

Três formas de corrigi-la

Codifique no Presidio. Isso exige habilidades em Python e manutenção contínua. Funciona, mas custa tempo.

Adicione revisão manual. Uma pessoa verifica cada documento em busca de MRNs. Isso não escala.

Use criação de entidades personalizadas assistida por IA. Sem código necessário. A equipe fornece valores de amostra. A IA constrói o padrão.

Veja como funciona. Uma equipe fornece cinco valores de MRN de amostra: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. A IA retorna SVHS-\d{7} e valida com as amostras. A equipe salva no seu preset HIPAA. Todas as sessões futuras detectam o formato. A mesma abordagem funciona para códigos de beneficiário e códigos de série de dispositivos.

Veja como os presets funcionam no guia de detecção de MRN HIPAA. Saiba mais sobre o fluxo de trabalho de padrões de IA.

O pressuposto oculto

Muitas equipes testam com um documento de amostra que tem um nome e um número de telefone. A ferramenta passa. Elas assumem cobertura completa. Mas as amostras raramente incluem identificadores específicos da instituição. MRNs e códigos de beneficiário parecem strings aleatórias para uma ferramenta genérica. Eles passam sem sinalização.

Uma auditoria Safe Harbor real mapeia todas as 18 categorias para um método de detecção. Para a categoria 8, verifique com amostras reais de MRN do seu próprio hospital. Não assuma que a ferramenta conhece seu formato.

Consulte o framework completo em nossa visão geral de conformidade HIPAA.

Conclusão

O Safe Harbor exige que todas as 18 categorias de identificadores sejam removidas. Ferramentas genéricas cobrem muito menos. As lacunas — MRNs, códigos de beneficiário, códigos de série de dispositivos — não têm formato padrão, por isso ferramentas genéricas as ignoram. Entidades personalizadas assistidas por IA fecham a lacuna sem código ou revisão manual.

Fontes

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip: Tipos de identificadores PHI em desidentificação de saúde — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR: Guia de desidentificação atualizado em 2024 — hhs.gov. VERIFIED.

Pronto para proteger seus dados?

Comece a anonimizar PII com mais de 285 tipos de entidades em 48 idiomas.

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.