Detectarea MRN conform HIPAA fără doctorat în regex
Formatul MRN al fiecărui spital este diferit. Memorial folosește MRN:XXXXXXX, St. Mary's folosește PT-YYYYY, University Hospital folosește UHN-XXXXXXXXXX.
HIPAA: Detectarea MRN specifică spitalului
HIPAA Safe Harbor cere eliminarea numerelor de fișe medicale — dar formatele MRN nu sunt standardizate. Epic, Cerner și Meditech folosesc formate diferite pe care instrumentele standard le ratează.
De-identificare HIPAA Safe Harbor la scară în cercetarea medicală
HIPAA Safe Harbor impune eliminarea a 18 categorii specifice de identificatori PHI. Centrele medicale academice au nevoie de de-identificare la scară, dar instrumentele existente.
ISO 27001 și HIPAA BAA pentru furnizorii din domeniul sănătății
Acordurile de asociere de afaceri HIPAA cer 'asigurări satisfăcătoare' ale unor măsuri de protecție adecvate. ISO 27001 se mapează direct pe HIPAA 164.
Detectarea MRN Personalizată Fără Cod pentru HIPAA
Numerele de înregistrare medicală sunt specifice spitalului — fiecare sistem de sănătate folosește un format diferit. HIPAA Safe Harbor impune eliminarea MRN-urilor.
18 identificatori HIPAA pe care instrumentul dumneavoastră îi ratează
HIPAA listează 18 identificatori PHI. Cele mai multe instrumente de anonimizare detectează poate 6 dintre ei. Numerele de înregistrare medicală variază pe instituție, fără un format standard în SUA.
Criptare reversibilă pentru recontactarea participanților la cercetare
Nu puteți contacta Pacient_001 pentru o vizită de urmărire. Comisiile de etică (IRB) cer acum protocoale documentate de re-identificare — dovedind că PUTEȚI re-identifica în anumite condiții.
De-identificare reversibilă pentru cercetarea clinică
Când un studiu descoperă un risc neașteptat de biomarkeri la 47 din 5.000 de participanți, cercetătorii trebuie să contacteze pacienții reali. Doar 23% dintre instrumentele de anonimizare oferă.
ChatGPT conform HIPAA cu protecție de browser
77% dintre angajați partajează informații de lucru sensibile cu instrumente AI cel puțin săptămânal. Interceptarea PII în timp real în browser reduce incidentele de scurgere cu 94%.
Procesarea Batch a 50.000 de Note Clinice în Local
O hotărâre SDNY din februarie 2026 a stabilit că documentele procesate de sisteme AI pierd privilegiul avocat-client dacă nu sunt anonimizate înainte de procesare.
LLM-urile Rateaza 50% din PHI Clinic
Un studiu din 2025 a constatat ca LLM-urile rateaza mai mult de 50% din PHI clinic in documente multilingve. 34,8% din toate intrarile ChatGPT contin date sensibile.
Redactare explicabilă: audituri HIPAA
Determinarea expertului HIPAA necesită metodologie documentată. Descoperirea electronică juridică necesită temeiuri pe redacție. 34% dintre DPO raportează instrumente insuficiente pentru documentarea conformității.
HIPAA în cloud: Arhitectura zero-knowledge pentru PHI
Acordurile cu asociații de afaceri nu previn încălcările HIPAA atunci când furnizorul dumneavoastră cloud AI procesează PHI în text simplu. Iată ce schimbă arhitectura zero-knowledge și de ce BAA-ul nu este suficient.
Când directorii de securitate refuză procesarea PHI în cloud
725 de breșe de date în domeniul sănătății în 2024 au afectat 275 de milioane de înregistrări. Cu costuri medii de breșă de 10,22 milioane dolari — cele mai mari din orice industrie — directorii de securitate din sănătate refuză din ce în ce mai mult aprobarea instrumentelor cloud pentru PHI.
HHS 2025: Notele Clinice AI și Protecția PHI
Sistemele de transcriere AI pot introduce inadvertent PHI-ul Pacientului A în dosarul Pacientului B. Iată de ce detectarea PHI în timp real înainte de salvarea în EHR este controlul esențial.
Formulare scrise de mână: OCR și detectarea datelor personale în sănătate
Un spital de dimensiuni medii procesează 50.000 de formulare de admitere completate de mână pe an. Redactarea manuală a datelor personale la acest volum necesită 0,5 normă întreagă.
HIPAA OCR: 725 de breșe, 275 de milioane de înregistrări
HHS OCR a raportat 725 de breșe HIPAA în 2024, afectând 275 de milioane de înregistrări — cel mai ridicat nivel înregistrat vreodată. Costul mediu al unei breșe în domeniul sănătății: 10,22 milioane de dolari.
Detectarea PHI: Snow Labs 96% vs GPT-4o
Nu toate instrumentele de de-identificare sunt egale. Benchmarkurile ECIR 2025 arată scoruri F1 între 79% și 96%. Află de ce contează acuratețea și cum să evaluezi instrumentele.
7,42 milioane USD: Sănătatea Conduce în Costurile Breșelor de Date
Sănătatea a fost cel mai costisitor sector pentru breșe de date timp de 14 ani consecutivi. Aflați de ce datele medicale sunt atât de valoroase și cum să le protejați.
Începeți să Vă Protejați Datele Astăzi
285+ tipuri de entități, 48 de limbi, securitate de nivel enterprise la prețuri de startup.
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.