By · Last updated 2026-06-05

Bumalik sa BlogHealthcare

HIPAA OCR: 725 Paglabag, 275M Rekord

Nag-ulat ang HHS OCR ng 725 paglabag sa HIPAA noong 2024 na nakaapekto sa 275M rekord — ang pinakamataas na naitala. $10.22M average na gastos sa paglabag sa kalusugan.

June 5, 202610 min basahin
HIPAA enforcementPHI de-identificationOCR HHShealthcare breachHIPAA Security Rule

HIPAA OCR: 725 Paglabag, 275M Rekord

Na-update para sa 2026

Bilang 725 ang paglabag sa datos ng kalusugan na naitalang ng HHS Office for Civil Rights (OCR) noong 2024. Ang mga paglabag na iyon ay nakaapekto sa 275 milyong rekord ng pasyente. Ang kabuuang iyon ay ang pinakamataas na naitala sa isang taon.

Ang average na gastos bawat paglabag sa kalusugan ay umabot sa $10.22 milyon noong 2025. Inilalagay ng IBM's Cost of a Data Breach Report ang numero doon. Ang gastos ay sumasaklaw sa mga multa sa sibil, bayad sa abogado, mga abiso sa pasyente, pagsubaybay sa credit, at pagkawala ng tiwala.

Ang 2025 at 2026 ay mga pangunahing taon para sa mga covered entity at sa kanilang mga business associate. Ang iminungkahing update sa HIPAA Security Rule mula Marso 2025 ay magdadagdag ng pinakamalaking hanay ng mga teknikal na panuntunan mula noong 2003.

Ano ang Nagdulot ng 725 Paglabag noong 2024

Pinagsasama-sama ng portal ng OCR ang mga pagkabigo noong 2024 sa apat na uri.

Pag-hack at mga insidente sa IT ang nagdulot ng 74% ng mga iniulat na paglabag. Ransomware, pag-atake sa server, at pandaraya sa email ang mga nangungunang uri. Ang mga manlalaban ay nagta-target na ngayon ng mga buong network. Ang isang pag-atake ay maaaring kumuha ng mga rekord mula sa isang buong sistema ng EHR nang sabay-sabay.

Hindi awtorisadong access at pagbubunyag ang nagdulot ng 18% ng mga paglabag. Ang masamang mga kontrol sa access, maling paggamit ng insider, at mga error sa maling tatanggap ay lahat kasama dito.

Mga insidente ng third-party ang bumubuo ng 35% ng mga paglabag noong 2024. Nagsimula ang pagkabigo sa isang business associate — hindi sa covered entity. Ang Change Healthcare (isang yunit ng UnitedHealth Group) lamang ay nag-expose ng mahigit 190 milyong rekord ng pasyente. Iyon ang pinakamalaking paglabag sa datos ng kalusugan ng US sa kasaysayan.

Pagnanakaw o pagkawala ng portable media ang nagdulot ng 8% ng mga paglabag. Mga laptop, USB drive, at papel na rekord na nawala o ninakaw nang walang encryption.

Ang 18 Uri ng PHI sa ilalim ng Safe Harbor

Ang pamamaraan ng Safe Harbor ng HIPAA (45 CFR §164.514(b)) ay nangangailangan ng pag-aalis ng lahat ng 18 uri ng datos ng pasyente. Alam ng karamihan sa mga koponan ang listahan. Ang mahirap na bahagi ay ang pagtuklas sa malaking sukat.

  1. Mga pangalan — mga pasyente, miyembro ng pamilya, mga employer
  2. Datos ng heograpiya — anumang lugar na mas maliit kaysa isang estado
  3. Mga petsa — pagpasok, paglalabas, kapanganakan, kamatayan (maaaring manatili ang taon)
  4. Mga numero ng telepono
  5. Mga numero ng fax
  6. Mga email address
  7. Mga numero ng social security
  8. Mga numero ng rekord ng medikal (nag-iiba-iba ang format ayon sa sistema ng EHR)
  9. Mga numero ng miyembro ng health plan
  10. Mga numero ng account
  11. Mga numero ng sertipiko at lisensya — medikal, DEA, estado
  12. Mga ID ng sasakyan — VIN at mga numero ng plaka
  13. Mga ID ng device — mga serial number at natatanging code ng device
  14. Mga URL ng web
  15. Mga IP address
  16. Datos ng biometric — mga fingerprint at voice print
  17. Mga larawan ng buong mukha at katulad na imahe
  18. Anumang iba pang natatanging ID, code, o katangian

Ang Uri 18 ang pinakamahirap hulihin. Anumang code na nag-uugnay ng rekord sa isang partikular na pasyente ay dapat alisin — kahit walang nakatakdang pattern.

Para sa isang step-by-step na gabay sa pagsasalis ng lahat ng 18 uri mula sa mga klinikal na rekord, tingnan ang HIPAA Safe Harbor de-identification para sa pananaliksik sa kalusugan.

Limang Bagong Panuntunan sa Iminungkahing Update sa Seguridad

Ang iminungkahing update sa HIPAA Security Rule (Marso 2025) ay nagdadagdag ng limang obligasyon.

Taunang mga audit ng encryption. Dapat kumpirmahin ng mga covered entity na ang lahat ng datos ng pasyente na nakaimbak ay gumagamit ng AES-256 o katumbas. Ang pamamahala ng key ay dapat sumunod sa mga nakasulat na pamantayan.

Mga nakasulat na pamamaraan ng de-identification. Anumang datos ng pasyente na ginagamit sa pananaliksik, pagsasanay ng AI, o analytics ay nangangailangan ng mga nakasulat na hakbang. Ang isang tala sa patakaran ay hindi sapat. Ang mga teknikal na rekord na may patunay ng validation ay kinakailangan.

Mga tseke sa seguridad ng business associate. Ang mga business associate ay dapat pumasa sa mga tiyak na teknikal na tseke bago sila magsimula. Ang mga kontrata ay dati nang humahawak nito nang walang teknikal na detalye.

Multi-factor authentication (MFA). Ang lahat ng kawani na may access sa elektronikong datos ng pasyente ay dapat gumamit ng MFA. Ang mga legacy system ay hindi exempt.

Pagsubok ng pagtugon sa insidente. Kinakailangan ang taunang mga drill at teknikal na pagsubok. Dapat magtago ng mga rekord ng mga resulta ang mga koponan.

Mga Aral mula sa Change Healthcare

Ipinakita ng paglabag sa Change Healthcare (Pebrero 2024) kung ano ang hitsura ng sistematikong panganib. Humawak ang Change Healthcare ng 15 bilyong transaksyon bawat taon. Ikinonekta nito ang mga provider, nagbabayad, at parmasya bilang isang clearinghouse.

Nagsimula ang paglabag sa isang account ng remote access. Ang account na iyon ay walang MFA. Lumipat ang mga manlalaban sa network sa loob ng siyam na araw. Pagkatapos ay naglunsad sila ng ransomware.

Malinaw ang aral. Ang isang business associate na may malawak na access sa mga transaksyon sa kalusugan ay isang panganib sa bawat kasosyo na naabot nito. Ang lumang balangkas ay hindi ginawa para sa mga provider na humahawak ng isang katlo ng lahat ng transaksyon sa kalusugan ng US.

Ang MFA, segmentasyon ng network, at mga tseke ng business associate ng iminungkahing panuntunan ay lahat nagbabalik sa kaganapang ito.

Para sa pag-aalis ng PHI mula sa mga format ng rekord na partikular sa ospital, tingnan ang HIPAA MRN detection at mga pattern na partikular sa ospital. Para sa zero-knowledge na disenyo na nagpapanatili ng datos ng pasyente sa labas ng network, tingnan ang HIPAA-compliant cloud PHI at zero-knowledge na disenyo.

Mga Pinagkukunan

Handa nang protektahan ang iyong data?

Simulan ang anonymization ng PII gamit ang 285+ uri ng entidad sa 48 wika.

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.