Распознавание MRN по HIPAA без глубоких знаний регулярных выражений
Формат медицинского номера (MRN) уникален в каждой больнице. В Memorial используется MRN:XXXXXXX, в St. Mary's — PT-YYYYY, в University Hospital — UHN-XXXXXXXXXX.
HIPAA: обнаружение номеров медицинских карт по специфичным форматам больниц
HIPAA Safe Harbor требует удаления номеров медицинских карт, но форматы MRN не стандартизированы. Epic, Cerner и Meditech используют разные форматы.
Деидентификация по методу Safe Harbor HIPAA в масштабе
Safe Harbor HIPAA требует удаления 18 конкретных категорий идентификаторов ЗМИ. Академическим медицинским центрам необходима деидентификация в масштабе, но существующие инструменты стоят $120 000 в год, тогда как грантовые бюджеты — около $5 000.
ISO 27001 и HIPAA BAA для здравоохранения
Соглашения о деловых партнёрах по HIPAA требуют «достаточных гарантий» надлежащей защиты. ISO 27001 напрямую соответствует требованиям HIPAA 164.
Обнаружение нестандартных MRN для HIPAA без написания кода
В США около 6 100 больниц — и у каждой свой формат номера медицинской карты. HIPAA Safe Harbor обязывает удалять MRN всех форматов. Стандартные инструменты их не распознают. ИИ-помощник позволяет добавить пользовательский формат без программирования.
18 идентификаторов PHI по HIPAA, которые пропускает ваш инструмент
HIPAA перечисляет 18 идентификаторов PHI. Большинство инструментов анонимизации обнаруживают от силы 6 из них. Номера медицинских карт варьируются от учреждения к учреждению и не имеют единого стандарта в США.
Обратимое шифрование для повторного контакта с участниками исследований
Вы не можете связаться с Patient_001 для контрольного визита. IRB теперь требуют задокументированные протоколы повторной идентификации — подтверждение того, что вы МОЖЕТЕ раскрыть личность при наличии разрешения.
Обратимое обезличивание в клинических исследованиях
Когда исследование выявляет неожиданный риск биомаркеров у 47 из 5000 участников, исследователям необходимо связаться с реальными пациентами. Лишь 23% инструментов анонимизации поддерживают обратимость.
ChatGPT с соответствием HIPAA: браузерная защита клинических данных
77% сотрудников еженедельно передают конфиденциальные рабочие данные инструментам ИИ. Перехват PHI в реальном времени на уровне браузера снижает число инцидентов утечки на 94%.
Пакетная обработка 50 000 клинических записей локально
Решение SDNY от февраля 2026 года установило, что документы, обработанные ИИ без предварительной анонимизации, теряют защиту адвокатской тайны.
LLM пропускают 50% клинических PHI
Исследование 2025 года показало: LLM пропускают более 50% клинических PHI в многоязычных документах. 34,8% всех вводимых данных в ChatGPT содержат конфиденциальную информацию.
Объяснимое редактирование: аудиты HIPAA
Метод экспертного определения HIPAA требует задокументированной методологии. Юридическое раскрытие требует обоснований по каждому факту редактирования. 34% сотрудников по защите данных сообщают о недостаточных инструментах для документирования.
HIPAA в облаке: архитектура нулевого знания для PHI
Соглашения с бизнес-партнёрами не предотвращают нарушения HIPAA, когда ваш облачный ИИ-поставщик обрабатывает PHI в открытом виде. Вот что даёт архитектура нулевого знания.
Когда CISO отказывают облачным решениям для обработки PHI
725 утечек в здравоохранении в 2024 году затронули 275 млн записей. При средней стоимости $10,22 млн — максимальной среди всех отраслей — CISO пересматривают облачные решения.
HHS 2025: ИИ в клинических записях и защита PHI
Системы ИИ-транскрипции могут непреднамеренно внести данные пациента А в карту пациента Б. Именно поэтому обнаружение PHI в реальном времени до сохранения в МИС — необходимый контроль.
OCR рукописных форм и обнаружение персональных данных
Среднего размера больница обрабатывает 50 000 рукописных форм приёма пациентов в год. Ручное редактирование персональных данных в таком объёме требует 0,5 ставки сотрудника.
HIPAA OCR: 725 нарушений, 275 млн записей
HHS OCR зафиксировало 725 нарушений HIPAA в 2024 году, затронувших 275 млн записей пациентов — абсолютный рекорд. Средние расходы на одно нарушение в здравоохранении составили $10,22 млн.
Обнаружение PHI: John Snow Labs 96% против GPT-4o 79%
Не все инструменты деидентификации одинаковы. Бенчмарки ECIR 2025 показывают F1-оценки от 79% до 96%. Узнайте, почему точность важна и как оценивать инструменты.
$7,42 млн: здравоохранение лидирует по стоимости утечек данных
Здравоохранение остаётся самой дорогостоящей отраслью по утечкам данных на протяжении 14 лет подряд. Узнайте, почему PHI так ценны и как их защитить.
Начните защищать ваши данные сегодня
285+ типов сущностей, 48 языков, безопасность корпоративного уровня по стартовым ценам.
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.