HIPAA MRN-detektering utan regex-examen
Varje sjukhus MRN-format är unikt. Memorial använder MRN:XXXXXXX, St. Mary's använder PT-YYYYY, Universitetssjukhuset använder UHN-XXXXXXXXXX.
HIPAA: detektering av sjukhusspecifika MRN-format
HIPAA Safe Harbor kräver borttagning av journalnummer, men MRN-format är inte standardiserade. Epic, Cerner och Meditech använder alla olika format.
HIPAA Safe Harbor-avidentifiering i stor skala
HIPAA Safe Harbor kräver borttagning av 18 specifika PHI-identifierarkategorier. Akademiska medicinska center behöver avidentifiering i stor skala, men befintliga verktyg kostar 100 000+ dollar per år – mer än forskningsbudgeten.
ISO 27001 och HIPAA BAA:er inom sjukvården
HIPAA:s Business Associate Agreements kräver 'tillfredsställande försäkringar' om lämpliga säkerhetsåtgärder. ISO 27001 är direkt förenlig med HIPAA 164.
Anpassad MRN-detektering utan kod för HIPAA
Journalnummer är sjukhusspecifika — varje sjukvårdssystem använder ett eget format. HIPAA Safe Harbor kräver att MRN-nummer tas bort.
18 HIPAA-identifierare ditt verktyg missar
HIPAA listar 18 PHI-identifierare. De flesta anonymiseringsverktyg detekterar kanske 6 av dem. Medicinska journalnummer varierar per institution utan något standardformat i USA.
Reversibel kryptering för återkontakt i forskning
Du kan inte kontakta Patient_001 för ett uppföljningsbesök. IRB kräver nu dokumenterade protokoll för återidentifiering — du måste bevisa att du KAN återidentifiera under kontrollerade villkor.
Reversibel de-identifiering i klinisk forskning
När en studie identifierar en oväntad biomarkörrisk hos 47 av 5 000 deltagare måste forskarna kunna kontakta de verkliga patienterna. Bara 23 % av anonymiseringsverktygen erbjuder...
HIPAA-kompatibel ChatGPT med webbläsarskydd för kliniska PHI
77 % av anställda delar känslig arbetsrelaterad information med AI-verktyg minst varje vecka. Realtidsfångst av PII i webbläsaren minskar läckageincidenter med 94 %.
Batchbearbetning av 50 000 kliniska anteckningar lokalt
En dom från SDNY i februari 2026 fann att AI-bearbetade dokument förlorar advokatsekretess om de inte anonymiserades innan bearbetning.
LLM:er missar 50 % av kliniska PHI
En studie från 2025 visade att LLM:er missar mer än 50 % av kliniska PHI i flerspråkiga dokument. 34,8 % av alla ChatGPT-inmatningar innehåller känsliga uppgifter.
Förklarlig anonymisering: HIPAA-revisioner
HIPAA Expert Determination kräver dokumenterad metodik. Juridisk e-discovery kräver motivering per anonymisering. 34 % av DPO:er rapporterar otillräckliga verktyg för.
HIPAA i molnet: Zero-knowledge för PHI
Business Associate Agreements förhindrar inte HIPAA-överträdelser när din molnbaserade AI-leverantör bearbetar PHI i klartext. Här är vad zero-knowledge-arkitektur faktiskt ändrar.
När CISO:er säger nej till molnbearbetning av PHI
725 dataintrång inom sjukvården 2024 påverkade 275 miljoner journaler. Med genomsnittliga intrångskostnader på 10,22 miljoner dollar — högst i alla branscher — vägrar sjukvårdens CISO:er molnbearbetning av patientdata.
HHS 2025: AI-kliniska anteckningar kräver PHI-skydd
AI-transkriptionssystem kan oavsiktligt placera Patient A:s skyddad hälsoinformation i Patient B:s journal. Realtids-PHI-detektering före EHR-inlägg är den rätta kontrollen.
Handskrivna formulär: OCR och PII-identifiering
Ett medelstort sjukhus behandlar 50 000 handskrivna intagsformulär per år. Manuell PII-redigering i denna volym kräver 0,5 heltidstjänst.
HIPAA OCR: 725 intrång, 275 miljoner journaler
HHS OCR rapporterade 725 HIPAA-intrång 2024 som drabbade 275 miljoner patientjournaler — det högsta antalet någonsin. Genomsnittlig kostnad för ett sjukvårdsintrång: 10,22 miljoner dollar.
PHI-igenkänning: Snow Labs 96% mot GPT-4o
Inte alla de-identifieringsverktyg är likvärdiga. ECIR 2025 visar F1-poäng från 79% till 96%. Lär dig varför noggrannhet är avgörande och hur du utvärderar verktyg.
7,42 M $: Sjukvårdens intrångskostnader leder
Sjukvården har haft den högsta intrångskostnaden i alla branscher 14 år i rad. Lär dig varför PHI är så värdefullt och hur du skyddar det.
Börja Skydda Din Data Idag
285+ entitetstyper, 48 språk, företagsklassad säkerhet till startpriser.
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.