anonym.legal

By · Last updated 2026-06-05

Назад к блогуЗдравоохранение

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.

June 5, 20269 мин чтения
HIPAA complianceclinical documentationPHI detectionEHR privacyHHS 2025

Проблема конфиденциальности при ИИ-генерации клинических записей

Актуально на 2026 год.

Больницы и клиники используют ИИ для составления клинических записей. ИИ транскрибирует речь и формирует текст. Однако это создаёт пробел в соблюдении HIPAA, который ручная проверка не способна устранить.

ИИ-сгенерированные записи раскрывают данные пациентов тремя способами:

  1. Перекрёстное загрязнение: ИИ может переносить данные одного пациента в карту другого. Медицинские исследования ИИ подтвердили этот риск.
  2. Контекстный перетёк: данные пациента попадают в неправильное поле — в расчётную пометку, исследовательское поле или направление. ИИ заполняет поля по контексту, а не по назначению поля.
  3. Использование данных вендором: многие ИИ-вендоры отправляют записи на проверку модели, если вы не отказались от этой опции. Это передаёт данные пациентов на сторонние серверы. На этих серверах может не быть подписанного BAA.

В 2025 году HHS опубликовало предложение о новых правилах. В них указано, что организации, использующие ИИ-инструменты, должны включить их в анализ рисков. Это создаёт формальное требование для клинической работы с ИИ.

Правило HHS 2025 года об анализе рисков ИИ

HHS предложило новые правила для подпадающих под действие HIPAA субъектов, использующих ИИ. Каждая ИИ-система, работающая с медицинскими картами, должна фигурировать в анализе рисков субъекта.

Правило состоит из трёх частей:

Технические гарантии: проверьте каждый ИИ-инструмент. Задайте вопросы:

  • Передаёт ли он медицинские карты за пределы ваших систем?
  • Хранит ли он медицинские карты на своих серверах после использования?
  • Записывает ли он данные пациента в неправильную карту?

Обучение персонала: обучение должно охватывать риски, специфичные для ИИ. Включая случаи перепутывания карт.

Физические меры контроля: рабочие места с ИИ-инструментами должны быть включены в систему физического контроля доступа.

К клиническим ИИ-инструментам относятся сервисы преобразования речи в текст, инструменты ИИ-составления записей и инструменты кодирования.

Почему обнаружение до сохранения работает

Лучший технический контроль — выявление PHI до сохранения записи в МИС.

Без обнаружения до сохранения:

  • ИИ пишет черновик
  • Врач проверяет вручную, в условиях временного давления
  • Запись сохраняется в МИС
  • Ошибки PHI теперь в постоянной записи
  • Их исправление требует аудиторских записей и проверки на предмет нарушения

С обнаружением до сохранения:

  • ИИ пишет черновик
  • Перед сохранением запускается сканирование на PHI
  • Отмеченные элементы поступают на проверку врачу
  • Врач устраняет ошибки до сохранения
  • Запись в МИС чиста с самого начала

Обнаружение до сохранения соответствует Правилу безопасности HIPAA 164.312(b). Это правило требует систем, регистрирующих и проверяющих активность. Сканирование до сохранения создаёт аудиторскую запись для каждой проверенной записи.

18 категорий PHI в ИИ-записях

Безопасная гавань HIPAA требует удаления 18 категорий PHI (45 CFR 164.514(b)). ИИ-записи могут содержать все 18 в неожиданных формах:

  • Имена — пациент называет члена семьи в анамнезе симптомов
  • Местоположение — домашний адрес в социальном анамнезе
  • Даты — дата рождения, даты поступления, даты процедур
  • Номера телефонов и факсов — контактная информация в направлениях
  • Адреса электронной почты — контактные данные, предоставленные пациентом
  • СНИЛС — в контексте страхования
  • Номера медицинских карт — перекрёстные ссылки в ИИ-резюме
  • Номера медицинских планов — в контексте страхования
  • Номера счетов — в контексте выставления счетов
  • Номера лицензий — данные о лицензии врача в направлениях
  • Идентификаторы транспортных средств — в контексте аварии в записях о травмах
  • Идентификаторы устройств — в записях об имплантатах
  • URL-адреса — ссылки на медицинские записи, предоставленные пациентом
  • IP-адреса — журналы удалённых сессий
  • Биометрические идентификаторы — данные об отпечатках пальцев или голосе
  • Фотографии — связанные медиаматериалы в ИИ-системах
  • Любые другие уникальные идентификаторы — собственные идентификаторы учреждений

ИИ-модели могут генерировать любую из этих категорий из контекста. Обнаружение должно охватывать все 18 — не только СНИЛС и даты.

Как внедрить обнаружение до сохранения

Проверка PHI до сохранения включает пять шагов:

  1. ИИ составляет черновик записи
  2. Текст записи передаётся в API обнаружения до того, как врач его увидит
  3. Отмеченные элементы отображаются в режиме просмотра черновика
  4. Врач проверяет пометки в ходе обычной проверки записи
  5. Врач сохраняет запись — без отмеченных элементов или с задокументированным обоснованием

Требования к системе:

  • Скорость: менее 200 мс, чтобы не замедлять рабочий процесс
  • Охват: все 18 категорий HIPAA плюс локальные паттерны (например, формат вашего MRN)
  • Оценка: элементы с вероятностью выше 85% — автоматическая пометка; 50–85% — проверка врачом; ниже 50% — справочный показ
  • Журнал аудита: фиксируется каждый помеченный элемент, его оценка и решение проверяющего

Журнал аудита служит прямым доказательством для анализа рисков HHS. Он подтверждает наличие контроля за PHI, генерируемой ИИ.

Кейс: обнаружение до сохранения в медицинском центре

Один университетский медицинский центр использовал ИИ-систему эмбиентной записи для врачебных заметок. Аудит за 90 дней выявил два случая перепутывания. В одной записи оказалась дата рождения другого пациента. Во второй — имя и SSN члена семьи из социального анамнеза.

После внедрения обнаружения PHI до сохранения:

  • Все ИИ-черновики проходили сканирование до проверки врачом
  • Среднее время сканирования: 47 мс — не ощущается в рабочем процессе
  • За 90 дней: 1 247 элементов отмечено в 8 400 записях
  • Врачи рассмотрели и разрешили 94% отмеченных элементов
  • Ноль инцидентов с перепутыванием карт после запуска

Система формирует ежемесячный отчёт. Он показывает показатели обнаружения, проверки и типы сущностей. Этот отчёт служит доказательством мер контроля аудита в соответствии с Правилом безопасности HIPAA 164.312(b).

Команды, создающие этот рабочий процесс, могут использовать API обнаружения PHI от anonym.legal. Он охватывает все 18 категорий HIPAA при задержке менее 200 мс. Инструкции по интеграции — в руководстве по интеграции PHI. Общий контекст — на странице сценариев использования в здравоохранении.

Источники

Готовы защитить ваши данные?

Начните анонимизацию PII с 285+ типов сущностей на 48 языках.

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.