By · Last updated 2026-06-05

بلاگ پر واپس جائیںGDPR اور تعمیل

Datatilsynet: ڈنمارک میں صحت کے ڈیٹا کا GDPR

ڈنمارک کے Datatilsynet نے 2024 میں 31 GDPR فیصلے جاری کیے جن میں سے 14 صحت کے ڈیٹا سسٹمز سے متعلق تھے۔ CPR نمبر کی توثیق کے لیے modulus-11 ضروری ہے جسے 67% NLP ٹولز نظرانداز کرتے ہیں۔

June 5, 20268 منٹ پڑھیں
Denmark DatatilsynetCPR numberhealthcare GDPRNordic data protectionhealth data

ڈنمارک میں صحت کا GDPR: Datatilsynet کا 2024 کا نفاذ

ڈنمارک کے Datatilsynet نے 2024 میں 31 GDPR مقدمات نمٹائے۔ ان میں سے چودہ — یعنی 45% — طبی نظاموں سے جڑے تھے۔ ڈنمارک کی آبادی 59 لاکھ ہے۔ یہ تناسب بہت زیادہ ہے۔ یہ اس بات کا ثبوت ہے کہ ملک نے ڈیجیٹل صحت میں کتنی ترقی کی ہے اور قوانین کتنے سخت ہیں۔

ڈنمارک کا صحت کا نظام

ہر ڈینش شہری کے پاس ایک CPR نمبر ہوتا ہے۔ یہ نمبر اس کے مریض ریکارڈ، دوائی رجسٹری، ہسپتال لاگ، اور Statens Serum Institut میں بافت کے نمونوں سے جڑا ہوتا ہے۔ ہسپتال کا لاگ 1977 تک جاتا ہے۔

یہ نظام ڈینش طبی تحقیق کو دنیا کی بہترین تحقیق میں شامل کرتا ہے۔ اس کا مطلب یہ بھی ہے کہ مریض کی فائلیں انتہائی حساس ہیں۔ اسی لیے Datatilsynet نے اس شعبے پر خصوصی توجہ دی ہے۔

CPR نمبر کا مسئلہ

CPR نمبر 10 ہندسوں کا شناختی نمبر ہے۔ اس کی شکل DDMMYY-XXXX ہے۔ آخری ہندسہ چیک ڈیجٹ ہے جو modulus-11 ریاضی پر کام کرتا ہے۔

CPR نمبر ہر طبی فائل میں موجود ہوتا ہے۔ یہ صحت، ٹیکس، بینک، اور ووٹ کے ریکارڈ سے جڑا ہوتا ہے۔

Datatilsynet کا کہنا ہے کہ کسی بھی نئے مقصد کے لیے مریض ریکارڈ استعمال کرنے سے پہلے آپ کو اپنا de-identification کا کام جانچنا ضروری ہے۔ لیکن 67% عام NLP ٹولز CPR نمبروں کے لیے modulus-11 مرحلہ چھوڑ دیتے ہیں۔ جب وہ یہ چھوڑ دیتے ہیں تو دو مسائل پیدا ہوتے ہیں۔

غلط نتائج: تاریخ کی تاریں، بل نمبر، اور حوالہ کوڈ حقیقی CPR نمبر سمجھ لیے جاتے ہیں۔ اس سے مہنگی دستی جانچ کی ضرورت پڑتی ہے۔

چھوٹے ہوئے IDs: الٹے ہندسوں والے CPR نمبر چیک میں ناکام ہو جاتے ہیں۔ اس طرح حقیقی مریض IDs کسی کی نظر میں نہیں آتے۔ نتیجہ صاف دکھتا ہے لیکن ہے نہیں۔

دیگر EU ID اقسام کے لیے چیک ڈیجٹ قوانین جاننے کے لیے ہماری EU نیشنل ID ڈیٹیکشن گائیڈ دیکھیں۔

مریض ریکارڈ دوبارہ استعمال کرنے کے چار قوانین

ڈنمارک کی طبی رجسٹریاں اعلیٰ تحقیق کے لیے مددگار ہیں۔ Datatilsynet کی 2024 کی رہنمائی میں دوبارہ استعمال کے چار اصول بیان کیے گئے ہیں۔

اپنا کام لکھیں: ہر وہ فیلڈ نوٹ کریں جو آپ نے ہٹائی یا بدلی۔ نوٹ کریں کہ آپ نے قدریں کیسے گول کیں یا گروپ کیا۔ ایک مختصر پالیسی نوٹ کافی نہیں ہے۔

اپنے ٹیسٹ کے نتائج دکھائیں: ثابت کریں کہ آپ کے ٹول نے CPR نمبر اور دیگر ڈینش IDs تلاش کیے۔ دعویٰ کافی نہیں ہے۔

ضرورت سے زیادہ ڈیٹا نہ لیں: اپنی تحقیق کی ضرورت سے زیادہ ذاتی ڈیٹا نہ کھینچیں۔ یہ قانون pseudonymized سیٹ پر بھی لاگو ہوتا ہے۔

AI ٹولز کے لیے DPIA کریں: کوئی بھی AI ٹول جو ڈینش مریض فائلوں پر کام کرے، اسے DPIA کی ضرورت ہے۔ Datatilsynet کا معیاری فارم استعمال کریں۔

کوپن ہیگن میں توجہ کے تین شعبے

کوپن ہیگن کی میڈ-ٹیک کمپنیوں میں Leo Pharma، Bavarian Nordic، اور بہت سی اسٹارٹ اپس شامل ہیں۔ Datatilsynet تین خطرے والے شعبوں پر نظر رکھتا ہے۔

AI تربیتی سیٹ: 2024 میں حکام نے ایسی کمپنیاں پائیں جنہوں نے زندہ CPR نمبروں والی فائلوں پر AI ماڈل تربیت دیا۔ کسی کے پاس درست قانونی بنیاد نہیں تھی۔

بیرونی منتقلی: بعض کمپنیوں نے AI کام کے لیے مریض فائلیں امریکی کلاؤڈ وینڈرز کو بھیجیں۔ حکام نے کہا کہ صرف SCCs کافی نہیں — آپ کو تکنیکی اقدامات بھی چاہئیں جیسے یورپ میں رکھی گئی چابیوں سے خفیہ کاری۔

رسائی لاگ: لاگ سے ظاہر ہونا چاہیے کہ کس نے کون سی فائلیں کیوں پڑھیں۔ انہیں کم از کم پانچ سال رکھیں۔

2024 میں 56% ڈینش طبی ڈیٹا کی خلاف ورزیاں ناقص de-identification کی وجہ سے ہوئیں۔ ڈینش زبان کی سپورٹ کے ساتھ CPR-validated ٹولز استعمال کرنا سب سے عام ناکامی دور کرتا ہے۔

نارڈک نفاذ کے بارے میں مزید جاننے کے لیے ہماری IMY Sweden GDPR anonymization گائیڈ دیکھیں۔

ذرائع

کیا آپ اپنے ڈیٹا کی حفاظت کے لیے تیار ہیں؟

48 زبانوں میں 285+ ادارتی اقسام کے ساتھ PII کی گمنامی شروع کریں۔

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.