Anonimizar datos clínicos para publicación científica en revistas médicas y repositorios – Anonimización conforme al RGPD según RGPD art. 9(2)(j); RGPD art. 89; LOPDGDD Disposición Adicional Decimoséptima; Ley 14/2007 arts. 4, 5

La publicación de datos individuales de pacientes en artículos científicos requiere que los datos de salud —categoría especial RGPD art. 9— sean verdaderamente irreversibles para el lector, conforme al RGPD art. 89 y la Ley 14/2007. anonym.legal prepara los conjuntos de datos clínicos individuales y los suplementos de datos de artículos para su publicación abierta sin riesgo de reidentificación.

Cuándo se aplica

Aplica cuando investigadores clínicos necesitan depositar datos de pacientes como material suplementario de un artículo científico, contribuir a bases de datos abiertas de investigación biomédica o cumplir con los requisitos de datos FAIR (Findable, Accessible, Interoperable, Reusable) de financiadores públicos como el ISCIII o Horizon Europe.

  1. Sube el conjunto de datos del estudio (CSV, XLSX, REDCap export) y el manuscrito borrador a anonym.legal.
  2. El motor detecta identificadores directos en el conjunto de datos (iniciales, NHC, fecha de nacimiento exacta) y en el texto del manuscrito (nombre, hospital específico identificativo, año exacto de diagnóstico).
  3. Las variables cuasi-identificadoras del conjunto de datos se generalizan para alcanzar k≥5 como mínimo.
  4. Las fechas absolutas de los eventos se sustituyen por tiempo relativo desde el diagnóstico o desde el inicio del estudio.
  5. El motor genera un informe de evaluación de riesgo de reidentificación que puede adjuntarse a la carta de cobertura al editor.
  6. El manuscrito se analiza para detectar descripciones de casos individuales potencialmente identificativos y se propone texto alternativo generalizado.
  7. El conjunto de datos anonimizado y el informe de evaluación se exportan para depósito en el repositorio de datos del artículo.

Qué proporciona usted

  • Conjunto de datos del estudio en CSV, XLSX o exportación REDCap
  • Borrador del manuscrito en DOCX o PDF
  • Normas de la revista o repositorio sobre anonimización de datos de pacientes
  • Protocolo aprobado por comité de ética de investigación

Limitaciones y precauciones

  • La responsabilidad final sobre la adecuada anonimización de los datos publicados recae en los autores del artículo y en el comité de ética que aprobó el estudio; anonym.legal facilita el proceso técnico pero no garantiza la aceptación editorial.
  • Las descripciones de casos extremadamente infrecuentes o únicos (p.ej. primera descripción de una mutación genética) pueden ser inherentemente identificativas y requerir el consentimiento explícito del paciente para su publicación.
  • La publicación en acceso abierto aumenta la audiencia del artículo y por tanto el riesgo de reidentificación por actores con mayor conocimiento contextual; esto debe tenerse en cuenta en la evaluación de riesgo.
  • anonym.legal no gestiona el proceso editorial ni la relación con los repositorios de datos; esas interacciones son responsabilidad del equipo investigador.

Preguntas frecuentes

¿Necesitan los autores consentimiento del paciente si los datos están anonimizados?

El RGPD art. 89 y la mayoría de las guías éticas de publicación científica permiten la publicación de datos verdaderamente anonimizados sin consentimiento del paciente. Sin embargo, si existe cualquier riesgo residual de identificación —p.ej. un caso clínico muy específico— el comité de ética puede exigir consentimiento. La decisión corresponde al comité de ética del centro.

¿Qué son los datos FAIR y por qué los financiadores públicos los exigen?

Los datos FAIR (Findable, Accessible, Interoperable, Reusable) son datos de investigación que pueden encontrarse, accederse, combinarse y reutilizarse por otros investigadores. Los financiadores como el ISCIII o Horizon Europe los exigen para maximizar el valor de la investigación financiada con fondos públicos. La anonimización es un requisito previo para el depósito de datos clínicos en repositorios FAIR.

¿Puede el repositorio de datos depositar datos de investigación de pacientes españoles en servidores fuera de la UE?

Los datos correctamente anonimizados quedan fuera del ámbito del RGPD y pueden depositarse en repositorios internacionales sin las restricciones de transferencia internacional de datos. El investigador debe documentar la evaluación de anonimización antes del depósito y verificar que el nivel de anonimización es robusto conforme a los criterios de la AEPD.

Datos Sanitarios

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.