Zaznavanje MRN po HIPAA brez doktorata iz regularnih izrazov
Format MRN vsake bolnisnice je drugacen. Memorial uporablja MRN:XXXXXXX, St. Mary's uporablja PT-YYYYY, University Hospital uporablja UHN-XXXXXXXXXX.
HIPAA: Zaznavanje MRN formatov specificnih za bolnisnico
HIPAA Safe Harbor zahteva odstranitev stevilk zdravstvenih kartonov - vendar formati MRN niso standardizirani. Epic, Cerner in Meditech vsi uporabljajo razlicne formate.
De-identifikacija HIPAA Safe Harbor pri lestvici za zdravstvene raziskave
HIPAA Safe Harbor zahteva odstranitev 18 specificnih kategorij identifikatorjev PHI. Akademski medicinski centri potrebujejo de-identifikacijo pri lestvici, a obstojecih orodij ni mogoce prilagoditi proracunu pri stroskov pod 10.000 USD.
ISO 27001 in HIPAA BAA za zdravstvo
HIPAA Sporazumi s poslovnimi partnerji zahtevajo 'zadovoljiva zagotovila' o ustreznih varovalkah. ISO 27001 se neposredno ujema s HIPAA 164.
Zaznavanje MRN po meri za HIPAA brez kode
Stevilke medicinskih kartotek so specificne za bolnisnico - vsak zdravstveni sistem uporablja drugacen format. HIPAA Safe Harbor zahteva odstranitev MRN.
18 identifikatorjev HIPAA, ki jih vase orodje zamudi
HIPAA navaja 18 identifikatorjev PHI. Vecina orodij za anonimizacijo zazna morda 6 od njih. Stevilke medicinskih zapisov se razlikujejo glede na ustanovo brez standardnega ameriSiskega formata.
Reverzibilno sifriranje za ponovni stik v raziskavah
Pacienta_001 ne morete kontaktirati za kontrolni obisk. IRB zdaj zahteva dokumentirane protokole za ponovno identifikacijo - dokazati morate, da LAHKO ponovno identificirate pod dolocenimi pogoji.
Reverzibilna de-identifikacija za klinicne raziskave
Ko studija odkrije nepricakovano tveganje biomarkerja pri 47 od 5.000 udelezencev, morajo raziskovalci stopiti v stik z resnicnimi pacienti. Le 23 % orodij za anonimizacijo ponuja pravo reverzibilnost.
HIPAA-skladen ChatGPT z zascito brskalnika
77 % zaposlenih deli obcutljive delovne informacije z orodji AI vsaj tedensko. Prestrezanje PII v brskalniku v realnem casu zmanjsa incidente uhajanja za 94 %.
Serijska obdelava 50.000 klinicnih zapiskov lokalno
Sodba SDNY iz februarja 2026 je ugotovila, da dokumenti, obdelani z umetno inteligenco, izgubijo privilegij odvetnik-stranka, ce niso anonimizirani pred obdelavo.
Veliki jezikovni modeli zamudijo 50% klinicne PHI
Studija iz leta 2025 je ugotovila, da veliki jezikovni modeli zamudijo vec kot 50% klinicne PHI v vecjezikovnih dokumentih. 34,8% vseh vnosov v ChatGPT vsebuje obcutljive podatke.
Razlozljiva redakcija: revizije HIPAA
Metoda strokovnega dolocanja HIPAA zahteva dokumentirano metodologijo. Pravno e-iskanje zahteva utemeljitev za vsako redakcijo. 34 % DPO-jev porocajo o nezadostnih orodjih.
HIPAA v oblaku: arhitektura brez poznavanja za PHI
Sporazumi o poslovnem partnerju ne preprecujeo krsitev HIPAA, ko vas ponudnik umetne inteligence v oblaku obdeluje PHI v navadnem besedilu. Tukaj je, kaj arhitektura brez poznavanja dejansko varuje.
Ko vodje informacijske varnosti zavrnejo obdelavo PHI v oblaku
V letu 2024 je 725 krsitev podatkov v zdravstvu prizadelo 275 milijonov zapisov. Pri povprecnih stroskih krsitve 10,22 milijona USD -- najvisjim v kateri koli panogi -- vodje informacijske varnosti v zdravstvu zavracajo obdelavo PHI v oblaku. Tukaj je razlog in alternativa.
HHS 2025: ai klinicni zapisi in zasebnost PHI
Sistemi za transkripcijo AI lahko nehoteno vnesejo PHI pacienta A v zapis pacienta B. Tukaj je zakaj je zaznavanje PHI v realnem casu pred vpisom v EHR pravi nadzorni ukrep.
OCR rokopisnih obrazcev in zaznavanje osebnih podatkov v zdravstvu
Srednje velika bolnisnica obdela 50.000 rokopisnih obrazcev letno. Rocno redigiranje osebnih podatkov pri tej kolicini zahteva 0,5 FTE.
HIPAA OCR: 725 krsitev, 275 milijonov zapisov
HHS OCR je leta 2024 porocal o 725 krsitev HIPAA, ki so prizadele 275 milijonov zapisov -- najvec do zdaj. Povprecni stroski krsitve zdravstvenih podatkov znasajo 10,22 milijona $.
Zaznavanje PHI: Snow Labs 96 % proti GPT-4o
Vsa orodja za de-identifikacijo niso enaka. Primerjave ECIR 2025 kazejo vrednosti F1 od 79 % do 96 %. Preberite, zakaj natancnost odloca in kako oceniti orodja.
7,42 mio USD: Stroški kršitev v zdravstvu so najvišji
Zdravstvo je ze 14 zaporednih let panoga z najvecjimi stroski krsitev podatkov. Preberite, zakaj so zdravstveni zapisi tako dragoceni in kako jih zascititi.
Začnite danes zaščititi svoje podatke
285+ tipov entitet, 48 jezikov, varnost na ravni podjetij po začetni ceni.
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.