anonym.legal

By · Last updated 2026-05-30

กลับไปที่บล็อกการดูแลสุขภาพ

HIPAA Safe Harbor: การตรวจจับรูปแบบ MRN เฉพาะโรงพยาบาลโดยไม่ต้องวิศวกรรม

HIPAA Safe Harbor กำหนดให้ลบหมายเลขบันทึกทางการแพทย์ แต่รูปแบบ MRN ไม่ได้มาตรฐาน Epic, Cerner และ Meditech ใช้รูปแบบที่แตกต่างกัน

May 30, 20267 อ่านประมาณ
HIPAA Safe Harbormedical record numbersMRN detectionhealthcare compliancecustom PII patterns

HIPAA Safe Harbor De-Identification: การตรวจจับรูปแบบ MRN เฉพาะโรงพยาบาลโดยไม่ต้องวิศวกรรม

การ de-identification ตาม HIPAA Safe Harbor กำหนดให้ลบ "หมายเลขบันทึกทางการแพทย์" ในฐานะหนึ่งใน 18 ประเภทตัวระบุ ดูเหมือนตรงไปตรงมาจนกว่าคุณจะเผชิญกับความท้าทายในการดำเนินงานที่แท้จริง: หมายเลขบันทึกทางการแพทย์ไม่ได้มีมาตรฐาน

Epic สร้าง MRN ในรูปแบบหนึ่ง Cerner ใช้รูปแบบที่แตกต่าง Meditech ใช้รูปแบบอื่น เครือข่ายโรงพยาบาลกำหนดรหัสสถานที่ของตนเอง ผลที่ได้: เครื่องมือ PII มาตรฐานที่สแกนเอกสารทางคลินิกเพื่อหา "หมายเลขบันทึกทางการแพทย์" ไม่มีทางรู้ได้ว่าสถาบันของคุณใช้รูปแบบอะไร — และจะพลาดทั้งหมด

ปัญหาการมาตรฐาน MRN

ระบบสาธารณสุขของสหรัฐฯ ไม่มีมาตรฐานระดับชาติสำหรับรูปแบบหมายเลขบันทึกทางการแพทย์ แต่ละสถาบัน (หรือผู้จำหน่าย EHR) กำหนดรูปแบบของตนเอง:

รูปแบบทั่วไปที่พบ:

  • Epic-style: ตัวเลข 8-12 หลัก (เช่น 123456789)
  • Cerner-style: คำนำหน้ารหัสโรงพยาบาล + ตัวเลข (เช่น MGH-987654)
  • เครือข่ายระดับภูมิภาค: รหัสสถานที่ + ปี + ลำดับ (เช่น HOSP-2023-456789)
  • Veterans Affairs: 9 หลักพร้อมรูปแบบ check digit เฉพาะ
  • ระบบกุมารเวช: คำนำหน้าประเภทผู้ป่วย + ตัวเลข (เช่น PED-12345678)

สิ่งที่เครื่องมือ PII มาตรฐานตรวจจับ: เครื่องมือมาตรฐานมักเน้นที่ตัวระบุที่มีรูปแบบมาตรฐาน: SSN (XXX-XX-XXXX), หมายเลขโทรศัพท์ (XXX-XXX-XXXX), ที่อยู่อีเมล, วันที่ MRN หมายเลขบัญชี และหมายเลขใบรับรอง/ใบอนุญาต — ประเภท HIPAA 8, 10, และ 11 — เฉพาะสถาบันและต้องการการกำหนดค่าแบบกำหนดเอง

ความเสี่ยงการปฏิบัติตามกฎระเบียบ

เครือข่ายโรงพยาบาลระดับภูมิภาคเตรียมแชร์ข้อมูลผู้ป่วยที่ de-identified กับพันธมิตรการวิจัยมหาวิทยาลัย EHR สร้าง MRN ในรูปแบบ: HOSP-YYYY-XXXXXX

พวกเขารันชุดข้อมูลผ่านเครื่องมือ HIPAA de-identification มาตรฐาน เครื่องมือลบออก:

  • ชื่อผู้ป่วย ✓
  • วันที่ (เกินกว่าปี) ✓
  • หมายเลขโทรศัพท์ ✓
  • ที่อยู่อีเมล ✓
  • SSN ✓

เครื่องมือไม่ลบ MRN — เพราะ HOSP-2023-456789 ไม่ตรงกับรูปแบบ MRN ในตัวใดๆ

นักวิจัยได้รับชุดข้อมูล รัน join กับบันทึกภายในและสามารถระบุตัวตนซ้ำได้ผู้ป่วยที่ "de-identified" จำนวนมาก เครือข่ายโรงพยาบาลมีการละเมิด HIPAA

การสร้าง Custom Entity: วิธีแก้ไข

วิธีแก้คือการกำหนดรูปแบบ MRN เป็น custom entity ในเครื่องมือทำข้อมูลนิรนาม เจ้าหน้าที่ปฏิบัติตาม (ไม่ใช่วิศวกร) สามารถ:

  1. ระบุรูปแบบ MRN ของสถาบัน: "ตัวระบุโรงพยาบาลที่ขึ้นต้นด้วย HOSP แล้วขีด แล้วปี 4 หลัก แล้วขีด แล้วตัวเลข 6 หลัก"
  2. ใช้ AI pattern assistant เพื่อสร้าง regex ที่เหมาะสม: HOSP-\d{4}-\d{6}
  3. ตรวจสอบกับเอกสารตัวอย่าง: อัปโหลดสรุปการจำหน่าย 20 รายการ ยืนยัน pattern จับ MRN ทั้งหมด
  4. บันทึกเป็น custom entity: "Hospital MRN" — ใช้งานได้ในโหมดการประมวลผลทั้งหมด
  5. รวมใน HIPAA de-identification preset: preset มาตรฐานบวก custom MRN entity ครอบคลุมประเภท Safe Harbor ทั้ง 18 ประเภทสำหรับสถาบันนี้

กำหนดเวลา: 3 วันของเวลาเจ้าหน้าที่ปฏิบัติตาม เทียบกับ 3 เดือนของคิวตั๋ว engineering สำหรับการพัฒนาโค้ดแบบกำหนดเอง

ตัวอย่าง: การนำไปใช้ในเครือข่ายโรงพยาบาลระดับภูมิภาค

องค์กร: เครือข่ายโรงพยาบาลระดับภูมิภาค 15 แห่ง รูปแบบ MRN: HOSP-YYYY-XXXXXX (ปรากฏใน PDF สรุปการจำหน่ายหลายพันรายการ) ความท้าทายการปฏิบัติตาม: การเตรียมชุดข้อมูลการวิจัยสำหรับพันธมิตรมหาวิทยาลัย (ข้อตกลงการใช้ข้อมูล HIPAA ดำเนินการแล้ว ต้องการ de-identification) แนวทางเดิม: ผู้จำหน่าย HIPAA de-identification ภายนอก (120,000 ดอลลาร์/ปี) ช่องว่างที่ค้นพบ: เครื่องมือผู้จำหน่ายไม่ตรวจจับรูปแบบ MRN เฉพาะสถาบัน

กระบวนการทำงานใหม่:

  1. เจ้าหน้าที่ปฏิบัติตามกำหนด MRN pattern (20 นาที)
  2. AI ช่วยตรวจสอบ regex (5 นาที)
  3. ทดสอบกับสรุปการจำหน่ายตัวอย่าง 50 รายการ (30 นาที)
  4. ยืนยัน MRN ทั้งหมดตรวจจับได้ ไม่มี false positives (10 นาที)
  5. เพิ่มใน HIPAA de-identification preset ควบคู่กับ entity มาตรฐาน
  6. ประมวลผลชุดข้อมูลการวิจัย 50,000 รายการแบบ batch

เวลารวมในการปิดช่องว่างการปฏิบัติตาม: 1 บ่าย

นอกเหนือจาก MRN: ตัวระบุเฉพาะสถาบันอื่นๆ

แนวทาง custom entity เดียวกันใช้บังคับกับประเภท HIPAA Safe Harbor อื่นๆ ที่องค์กรนำไปใช้ด้วยรูปแบบที่ไม่ได้มาตรฐาน:

หมายเลขผู้รับผลประโยชน์ประกันสุขภาพ (ประเภท 9): รหัสสมาชิกประกันเฉพาะบริษัทประกัน Aetna, Blue Cross, United Healthcare ใช้รูปแบบที่แตกต่างกัน

หมายเลขบัญชี (ประเภท 10): หมายเลขบัญชีโรงพยาบาลสำหรับการเรียกเก็บเงินเฉพาะสถาบัน

หมายเลขใบรับรอง/ใบอนุญาต (ประเภท 11): หมายเลข DEA แพทย์มีรูปแบบมาตรฐาน หมายเลขใบอนุญาตประกอบวิชาชีพแพทย์ของรัฐไม่มี

การตรวจสอบความถูกต้อง

วิธี Safe Harbor ของ HIPAA กำหนดให้ covered entity "ไม่มีความรู้จริงๆ ว่าข้อมูลสามารถใช้เพียงอย่างเดียวหรือร่วมกับข้อมูลอื่นเพื่อระบุตัวบุคคลได้"

สำหรับการตรวจสอบ:

  1. ประมวลผลตัวอย่าง 50-100 เอกสารจากชุดข้อมูลการวิจัย
  2. ตรวจสอบผลลัพธ์ที่ประมวลผลด้วยตนเอง — มีอะไรที่ดูเหมือนตัวระบุที่อาจเป็นไปได้หรือไม่
  3. รันผลลัพธ์ผ่านการตรวจจับรอบที่สอง
  4. บันทึกกระบวนการตรวจสอบ

สรุป

HIPAA Safe Harbor de-identification ไม่สำเร็จด้วยเครื่องมือ PII มาตรฐานที่กำหนดค่าสำหรับ pattern ทั่วไป หมายเลขบันทึกทางการแพทย์ — หนึ่งใน 18 ประเภทที่กำหนด — เฉพาะสถาบันและต้องการการตรวจจับแบบกำหนดเองเพื่อการปฏิบัติตาม

การสร้าง custom entity ปิดช่องว่างนี้ในชั่วโมง ไม่ใช่เดือน

แหล่งข้อมูล:

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.