By · Last updated 2026-04-28

Tillbaka till BloggenHälsovård

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.

April 28, 20269 min läsning
HIPAA 18 identifiersPHI complete detectionMRN detectionNPI DEA numbersHIPAA Safe Harbor compliance

18 HIPAA-identifierare ditt verktyg missar

Uppdaterad för 2026.

HIPAA listar 18 PHI-identifierarkategorier. De flesta anonymiseringsverktyg detekterar kanske sex. De övriga tolv glider igenom — och var och en är ett efterlevnadsglapp.

Safe Harbor-regeln

HIPAA:s Privacy Rule (45 CFR § 164.514) definierar Safe Harbor-avidentifiering. Alla 18 identifierarkategorier måste bort. Ta bort var och en och data är avidentifierad enligt lag. Det är därför Safe Harbor är populär: det är godkänt eller underkänt, ingen bedömningsfråga.

De 18 kategorierna är:

  1. Namn
  2. Geografisk data mindre än delstat — gatuadress, stad, county, postnummer
  3. Datum utom år — födslo, intagning, utskrivning, dödsfall
  4. Telefonnummer
  5. Faxnummer
  6. E-postadresser
  7. Social Security-koder
  8. Medicinska journalidentifierare (MRN:er)
  9. Hälsoplans­förmånstagarekoder
  10. Kontoidentifierare
  11. Certifikat- och licenskoder
  12. Fordonsidentifierare och seriekoder
  13. Enhetsidentifierare och seriekoder
  14. Webb-URL:er
  15. IP-adresser
  16. Biometriska identifierare — fingeravtryck, röstavtryck
  17. Helansikts­foton och liknande bilder
  18. Alla andra unika identifieringskoder eller värden

De flesta verktyg hanterar kategorierna 1, 4, 6 och 7 bra. De missar 8, 9, 10, 11, 13 och 18 regelbundet.

MRN-gapet

Medicinska journalidentifierare finns i kategori 8. MRN-format fastställs av varje sjukhus. Det finns ingen nationell US-standard.

Sjukhus A använder ett 7-siffrigt heltal. Sjukhus B använder "PT-YYYYNNNN". Sjukhus C använder en 8-teckens alfanumerisk sträng. Sjukhus D skriver "MRN: " före en 9-siffrig kod.

Ett generiskt verktyg flaggar inte "PT-2024-8847" som PHI. Dokumentet passerar avidentifieringskontroller. Men det är inte avidentifierat. Ingen varning utlöses. Teamet tror att jobbet är klart. Det är det inte.

Detta är det värsta slaget av glapp: ett tyst sådant.

Tre sätt att åtgärda det

Koda det i Presidio. Det kräver Python-kunskaper och löpande underhåll. Det fungerar men kostar tid.

Lägg till manuell granskning. En person kontrollerar varje dokument för MRN:er. Det skalas inte.

Använd AI-assisterad anpassad entitetsskapning. Ingen kod behövs. Teamet ger exempelvärden. AI:n bygger mönstret.

Så här fungerar det. Ett team ger fem exempel på MRN-värden: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001. AI:n returnerar SVHS-\d{7} och kontrollerar det mot exemplen. Teamet sparar det till sitt HIPAA-förval. Alla framtida sessioner detekterar formatet. Samma metod fungerar för förmånstagarekoder och enhets­seriekoder.

Se hur förval fungerar i HIPAA MRN-detekterings­guiden. Lär dig om AI-mönsterarbetsflödet.

Det dolda antagandet

Många team testar på ett exempeldokument med ett namn och ett telefonnummer. Verktyget klarar testet. De antar fullständig täckning. Men exempel inkluderar sällan institutions­specifika identifierare. MRN:er och förmånstagarekoder ser ut som slumpmässiga strängar för ett generiskt verktyg. De passerar utan flaggning.

En riktig Safe Harbor-revision kartlägger alla 18 kategorier mot en detekterings­metod. För kategori 8, verifiera med riktiga MRN-exempel från ditt eget sjukhus. Anta inte att verktyget känner till ditt format.

Granska det fullständiga ramverket i vår HIPAA-efterlevnadsöversikt.

Slutsats

Safe Harbor kräver att alla 18 identifierarkategorier är borta. Generiska verktyg täcker betydligt färre. Gapen — MRN:er, förmånstagarekoder, enhetsserienummer — har inget standardformat, så generiska verktyg missar dem. AI-assisterade anpassade entiteter stänger gapet utan kod eller manuell granskning.

Källor

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov. VERIFIED.
  • Shaip: PHI-identifierartyper inom sjukvårdsavidentifiering — shaip.com. VERIFIED-EXTERNAL.
  • HHS OCR: Avidentifierings­vägledning uppdaterad 2024 — hhs.gov. VERIFIED.

Redo att skydda din data?

Börja anonymisera PII med 285+ entitetstyper på 48 språk.

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.