Anonymiser le dossier médical informatisé (DPI) pour partage hors soins – Anonymisation conforme au RGPD selon CSP L1111-7 ; RGPD art. 9

Le dossier médical informatisé (DPI) regroupe l'ensemble des données identifiantes d'un patient — antécédents, diagnostics, traitements, résultats — soumises au secret professionnel (CSP L1110-4) et au régime des données de santé de l'article 9 du RGPD. L'anonymisation irréversible de l'identité permet de partager ce dossier hors contexte de soins sans que le RGPD continue de s'appliquer.

Quand cela s'applique

Ce flux s'applique lorsqu'un établissement de santé, un éditeur de logiciel médical ou un chercheur souhaite extraire des données du DPI à des fins d'enseignement, de benchmarking ou de recherche non clinique, sans maintenir la possibilité d'identifier les patients.

  1. Exportez le DPI depuis le système d'information hospitalier (SIH) au format HL7 FHIR, CDA ou CSV structuré.
  2. Téléversez le fichier dans anonym.legal ; le moteur détecte automatiquement les identifiants directs (nom, INS, date de naissance, adresse, numéro de téléphone, adresse e-mail).
  3. Chaque identifiant direct est supprimé ou remplacé par un token sans lien avec l'identité réelle — cette opération est irréversible, distincte de la pseudonymisation.
  4. Les quasi-identifiants (âge précis, code postal, pathologies rares) sont généralisés ou supprimés pour réduire le risque de réidentification.
  5. Les données cliniques (codes CIM-10, actes CCAM, médicaments) sont conservées pour préserver la valeur analytique.
  6. Un rapport de transformation liste chaque champ traité, la technique appliquée et le niveau de risque résiduel estimé.
  7. Le fichier anonymisé est exporté ; si un hébergeur tiers est impliqué dans le traitement, assurez-vous qu'il détient la certification HDS prévue à l'article L1111-8 CSP.

Ce que vous fournissez

  • Export DPI au format HL7 FHIR JSON, CDA R2, CSV ou XML structuré
  • Inventaire des champs identifiants directs et indirects
  • Finalité du partage (enseignement, benchmarking, recherche secondaire)
  • Seuil de risque de réidentification accepté par le responsable de traitement

Limites & précautions

  • L'anonymisation irréversible fait sortir les données du champ du RGPD, mais ne supprime pas les obligations éthiques ou déontologiques vis-à-vis des patients.
  • La généralisation des quasi-identifiants peut réduire l'utilité statistique pour les pathologies rares ou les populations très ciblées.
  • Le moteur ne contrôle pas la conformité du SIH source ni la licéité de l'export initial — la base légale pour l'accès aux données reste la responsabilité de l'établissement.
  • Les données textuelles libres (notes cliniques) nécessitent une relecture manuelle complémentaire après traitement automatique.

FAQ

Quelle est la différence entre anonymisation et pseudonymisation pour un DPI ?

La pseudonymisation remplace l'identité par un pseudonyme réversible — les données restent des données à caractère personnel soumises au RGPD. L'anonymisation irréversible supprime tout lien avec l'identité réelle ; les données sortent alors du champ du RGPD. Pour un partage hors soins sans besoin de réidentification, seule l'anonymisation au sens strict est pertinente.

La certification HDS est-elle obligatoire pour l'hébergement du DPI anonymisé ?

Une fois les données irréversiblement anonymisées, elles ne constituent plus des données de santé à caractère personnel ; l'obligation HDS prévue à l'article L1111-8 CSP ne s'applique plus à leur hébergement. Toutefois, si le processus d'anonymisation lui-même implique un tiers hébergeur traitant les données avant anonymisation, la certification HDS reste requise pour cet hébergeur.

Faut-il une AIPD avant d'anonymiser un DPI en masse ?

Oui. L'extraction et le traitement en masse de données de santé (catégorie spéciale, art. 9 RGPD) constituent un traitement à risque élevé au sens de l'article 35 RGPD. Une analyse d'impact sur la protection des données (AIPD) doit être conduite par le responsable de traitement avant de déployer ce flux à grande échelle.

Données de santé

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.

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.