50% 漏检率问题
2025 年的一项综述研究（arXiv:2509.14464）对 LLM 工具进行了临床记录测试，结果令人担忧：这些工具在多语言文档中遗漏了超过 50% 的临床 PHI。原因直接明了：LLM 本质上是为文本输出设计的，并非为 HIPAA 所要求的高召回率检测任务而构建。
HIPAA Safe Harbor 方法列出了 18 类受保护标识符：姓名、日期、电话号码、社会安全号码、病历号、健康计划 ID、设备 ID 和 IP 地址，每种类型都需要独立的检测逻辑。
临床记录的特点使这一任务更加复杂。以下面这句话为例：「Pt. John D., DOB 4/12/67, MRN 1234567, admitted 03/15/24, Dr. Smith ordered ECG.」一个句子包含五个受保护标识符，且大量使用了缩写。一个以理解临床含义为目标的模型，在执行检测任务时往往会失败。
LLM 的漏检模式与成因
LLM 工具在临床记录上的失败有规律可循。
缩写标识符： 临床记录大量使用简写形式，如 DOB、MRN、Pt.。以理解临床含义为目标调优的模型可能不会将「Pt. John D.」识别为姓名——敏感数据提取需要完全不同的目标导向。
依赖上下文的日期： 并非所有日期都具有相同的风险等级。「Age 67」是软性标识，「DOB 4/12/67」是直接的受保护标识符，而「03/15/24」作为入院日期同样受到保护。仅靠模式匹配远远不够。
非美国格式： Cyberhaven Q4 2025 报告显示，34.8% 的 ChatGPT 输入包含敏感数据，其中包括多语言 PII。在医疗场景下，这意味着非美国记录 ID、不同地区的日期格式以及本地健康 ID 类型——基于美国数据训练的工具会系统性地遗漏这些内容。
医院自定义标识符： 各医院使用其特有的病历号格式、员工 ID 和院区代码，这些信息不在标准 NER 训练数据中。不支持自定义实体的工具将无从识别。
研究数据集的合规风险
一家正在从 50 万份病历中构建研究数据集的医院面临切实的合规挑战。HIPAA 对去标识化数据要求「极低风险」标准，而一款遗漏了半数受保护标识符的工具根本无法达到这一要求。
研究档案并非整洁的结构化数据——记录跨越多个科室、不同时间段，有时还涵盖多种语言。一款在账单数据上表现良好的工具，在叙述性病历中可能完全失效；自由文本中的敏感数据没有字段标签可以依赖。
机构审查委员会（IRB）的批准增加了更多要求：机构必须说明所使用的方法、已删除的标识符类型以及执行的核查程序。漏检率达 50% 的工具无法满足这些要求。
请参阅我们的合规概览和安全实践说明，了解 anonym.legal 如何支持 HIPAA 相关工作。
三层检测方案
2025 年的综述研究发现了一个清晰规律：漏检率最低的工具均采用了三层检测架构。
第一层——正则表达式： 检测结构化标识符——社会安全号码、病历号、电话号码、健康计划 ID，对固定格式可靠有效。
第二层——NER： 使用 Transformer 模型，检测叙述性文本中的姓名、日期和敏感数据，能够胜任正则表达式无能为力的场景。
第三层——自定义实体： 处理特定机构的格式——专有病历号模式、员工 ID、院区代码。没有任何标准模型能够覆盖这些内容。
纯机器学习工具在缩写和非英语文本上表现退化；纯正则表达式工具对无字段标签的敏感数据束手无策。两者单独使用均不足以应对实际需求。
研究发现，只有三层设计方案能够将漏检率控制在 5% 以下，这正是 HIPAA Safe Harbor 合规的基本要求。
请参阅我们的HIPAA Safe Harbor 研究去标识化指南了解后续步骤。