anonym.legal

By · Last updated 2026-04-28

กลับไปที่บล็อกการดูแลสุขภาพ

18 ตัวระบุ HIPAA ที่เครื่องมือของคุณพลาด

HIPAA ระบุ 18 ตัวระบุ PHI เครื่องมือทำให้ไม่เปิดเผยตัวตนส่วนใหญ่ตรวจจับได้แค่ 6 รายการ Medical Record Number แตกต่างกันตามสถาบันโดยไม่มีรูปแบบมาตรฐานในสหรัฐฯ

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

18 ตัวระบุ HIPAA ที่เครื่องมือของคุณพลาด

อัปเดตสำหรับปี 2026

HIPAA ระบุ 18 หมวดหมู่ตัวระบุ PHI เครื่องมือทำให้ไม่เปิดเผยตัวตนส่วนใหญ่ตรวจจับได้ราว 6 รายการ อีก 12 รายการผ่านไปโดยไม่ถูกตรวจจับ — และแต่ละรายการแทนช่องว่างการปฏิบัติตามกฎระเบียบ

กฎ Safe Harbor

HIPAA Privacy Rule (45 CFR § 164.514) กำหนดวิธีการยกเลิกการระบุตัวตน Safe Harbor: ต้องลบ 18 หมวดหมู่ตัวระบุเฉพาะออกทั้งหมดเพื่อยกเลิกการระบุตัวตน PHI วิธี Safe Harbor เป็นหนึ่งในสองวิธีการยกเลิกการระบุตัวตน HIPAA ใช้กันมากกว่าเพราะการปฏิบัติตามกฎระเบียบเป็นแบบกำหนดได้ — หากลบ 18 หมวดหมู่ทั้งหมดออก ข้อมูลนั้นถูกยกเลิกการระบุตัวตนโดยกฎหมาย

18 หมวดหมู่ ได้แก่:

  1. ชื่อ
  2. ข้อมูลทางภูมิศาสตร์ (เล็กกว่ารัฐ — รวมถึงที่อยู่ เมือง มณฑล รหัสไปรษณีย์)
  3. วันที่ (ยกเว้นปี) ที่เกี่ยวข้องกับบุคคล — เกิด เข้าโรงพยาบาล จำหน่าย เสียชีวิต
  4. หมายเลขโทรศัพท์
  5. หมายเลขโทรสาร
  6. ที่อยู่อีเมล
  7. หมายเลขประกันสังคม
  8. หมายเลขบันทึกทางการแพทย์ (MRN)
  9. หมายเลขผู้รับประโยชน์แผนสุขภาพ
  10. หมายเลขบัญชี
  11. หมายเลขใบรับรอง/ใบอนุญาต
  12. ตัวระบุและหมายเลขซีเรียลยานพาหนะ
  13. ตัวระบุและหมายเลขซีเรียลอุปกรณ์
  14. URL เว็บ
  15. ที่อยู่ IP
  16. ตัวระบุไบโอเมตริก (ลายนิ้วมือ เสียง)
  17. ภาพถ่ายใบหน้าเต็มและภาพที่เทียบเคียงได้
  18. หมายเลขหรือรหัสระบุตัวตนเฉพาะอื่นๆ

เครื่องมือ PII ส่วนใหญ่ตรวจจับหมวดหมู่ 1, 4, 6 และ 7 ได้อย่างน่าเชื่อถือ พวกเขาพลาดหมวดหมู่ 8, 9, 10, 11, 13 และ 18 อย่างเป็นระบบ

ช่องว่างการตรวจจับ MRN

หมายเลขบันทึกทางการแพทย์อยู่ในหมวดหมู่ 8 รูปแบบ MRN เป็นเฉพาะสถาบัน — ไม่มีรูปแบบมาตรฐานระดับชาติ โรงพยาบาล A ใช้จำนวนเต็ม 7 หลัก โรงพยาบาล B ใช้ "PT-YYYYNNNN" โรงพยาบาล C ใช้สตริงตัวอักษรตัวเลข 8 ตัว โรงพยาบาล D ใช้ "MRN: " ตามด้วยหมายเลข 9 หลัก

เครื่องมือ PII ทั่วไปที่ไม่รู้รูปแบบ MRN ของโรงพยาบาล B จะไม่ตรวจจับ "PT-2024-8847" เป็นตัวระบุ PHI เอกสารที่มี MRN นี้จะถือว่ายกเลิกการระบุตัวตนหลังการประมวลผลมาตรฐาน — ทั้งที่ไม่ใช่

นี่คือโหมดความล้มเหลวที่เลวร้ายที่สุด: แบบที่ไม่ส่งสัญญาณเตือน

สามวิธีแก้ปัญหา

เขียนโค้ดใน Presidio โดยตรง ต้องการความเชี่ยวชาญด้านการเขียนโปรแกรม Python และการดูแลต่อเนื่องเมื่อรูปแบบ MRN เปลี่ยนแปลง ใช้งานได้แต่ต้องใช้เวลา

เพิ่มขั้นตอนการตรวจสอบด้วยตนเอง บุคคลตรวจสอบแต่ละเอกสารสำหรับ MRN ไม่สามารถขยายขนาดได้

ใช้การสร้างเอนทิตีแบบกำหนดเองที่ช่วยด้วย AI ไม่ต้องใช้โค้ด ทีมให้ตัวอย่างค่า AI สร้างรูปแบบ

วิธีการทำงาน ทีมให้ค่าตัวอย่าง MRN 5 ค่า: SVHS-0012345, SVHS-0987654, SVHS-1122334, SVHS-4455667, SVHS-8899001 AI คืน `SVHS-\d{7}` และตรวจสอบกับตัวอย่าง ทีมบันทึกลงใน HIPAA preset เซสชันทั้งหมดในภายหลังตรวจจับรูปแบบ วิธีเดียวกันใช้กับรหัสผู้รับประโยชน์และหมายเลขซีเรียลอุปกรณ์

เรียนรู้วิธีการทำงานของ preset ในคู่มือการตรวจจับ MRN HIPAA อ่านเวิร์กโฟลว์รูปแบบ AI

สมมติฐานที่ซ่อนอยู่

ทีมจำนวนมากทดสอบกับเอกสารตัวอย่างที่มีชื่อและหมายเลขโทรศัพท์ เครื่องมือผ่านการทดสอบ สมมติว่าครอบคลุมครบถ้วน แต่ตัวอย่างไม่รวมตัวระบุเฉพาะสถาบัน MRN และรหัสผู้รับประโยชน์ดูเหมือนสตริงสุ่มสำหรับเครื่องมือทั่วไป ผ่านไปโดยไม่ถูกตรวจจับ

การตรวจสอบ Safe Harbor ที่แท้จริงแมป 18 หมวดหมู่ทั้งหมดกับวิธีการตรวจจับ สำหรับหมวดหมู่ 8 ตรวจสอบด้วย MRN จริงจากโรงพยาบาลของคุณ อย่าสมมติว่าเครื่องมือรู้จักรูปแบบของคุณ

ตรวจสอบกรอบงานที่สมบูรณ์ในภาพรวมการปฏิบัติตาม HIPAAของเรา

สรุป

Safe Harbor กำหนดให้ต้องลบ 18 หมวดหมู่ตัวระบุทั้งหมดออก เครื่องมือทั่วไปครอบคลุมน้อยกว่ามาก ช่องว่าง — MRN รหัสผู้รับประโยชน์ หมายเลขซีเรียลอุปกรณ์ — ไม่มีรูปแบบมาตรฐาน ดังนั้นเครื่องมือทั่วไปจึงละเลยพวกมัน เอนทิตีแบบกำหนดเองที่ช่วยด้วย AI ปิดช่องว่างนี้โดยไม่ต้องใช้โค้ดหรือการตรวจสอบด้วยตนเอง

แหล่งข้อมูล

  • HHS: HIPAA Safe Harbor, 45 CFR § 164.514 — hhs.gov
  • Shaip: ประเภทตัวระบุ PHI ในการยกเลิกการระบุตัวตนทางการแพทย์ — shaip.com
  • HHS OCR: คำแนะนำการยกเลิกการระบุตัวตนที่อัปเดตปี 2024 — hhs.gov

พร้อมที่จะปกป้องข้อมูลของคุณหรือยัง?

เริ่มทำให้ PII เป็นนิรนามด้วยประเภทเอนทิตีมากกว่า 285 ประเภทใน 48 ภาษา.

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.