50%的漏报率问题
一项2025年对基于LLM的去标识化工具的调查（arXiv:2509.14464）发现，通用LLM工具在多语言文档中错过了超过50%的临床PHI。这个数字反映了一个根本的架构不匹配：LLM被设计用于语言理解和生成，而不是HIPAA去标识化所需的结构化、高召回率的识别任务。
HIPAA隐私规则的安全港方法要求去除18类特定标识符：姓名、地理数据、日期、电话号码、传真号码、电子邮件地址、社会安全号码、医疗记录号码、健康计划受益人号码、账户号码、证书/许可证号码、车辆识别号码、设备标识符、网页URL、IP地址、生物识别标识符、全脸照片，以及任何其他唯一识别号码或代码。每一类都有结构化格式，需要特定的检测逻辑。
临床笔记是困难集中之处。考虑一个典型的临床笔记片段："患者约翰·D，出生日期4/12/67，医疗记录号码1234567，于03/15/24因胸痛入急诊。既往病史：高血压，糖尿病。史密斯医生下达了心电图检查。" 这个单句包含了姓名、出生日期、医疗记录号码、入院日期和主治医生 — 五个HIPAA标识符，有些以缩写形式嵌入临床简写中。
LLM错过了什么以及原因
通用LLM在临床PHI方面以可预测的模式失败。
缩写标识符： 临床笔记使用标准缩写（出生日期的缩写为DOB，医疗记录号码的缩写为MRN，患者的缩写为Pt.），这些缩写可能不会被无上下文的NER识别为PII标记。一个LLM阅读上述笔记以进行一般理解时理解了临床意义；一个负责PHI提取的LLM可能会将"Pt. John D."错过作为部分姓名模式。
依赖上下文的日期： 临床笔记中的日期具有特定的HIPAA意义。"年龄67"是一个部分去标识符，必须被注意。"出生日期4/12/67"是PHI。"03/15/24"作为入院日期是PHI。这些需要上下文感知的日期提取，而不仅仅是日期模式匹配。
区域标识符格式： Cyberhaven的研究（2025年第四季度）发现，34.8%的所有ChatGPT输入包含敏感数据，包括多语言PII。在医疗保健环境中，这包括非美国的医疗记录格式、国际日期惯例和特定国家的健康标识符格式，这些都是以美国为中心的系统所忽视的。
定制机构标识符： 医疗系统使用专有的MRN格式、员工ID和设施代码，这些不属于标准NER训练数据。没有定制实体类型支持的系统无法检测到这些。
研究数据集合规问题
一个医院系统从500,000个临床笔记构建去标识化研究数据集面临复合风险。HIPAA要求去标识化的研究数据集符合安全港方法下的"非常小风险"标准或专家确定下的统计方法。一个错过50% PHI的系统生成的数据集未能满足这一标准 — 使研究机构面临OCR执法和IRB合规失败的风险。
研究数据集中的临床笔记并不统一。它们跨越不同部门（心脏病学、肿瘤学、精神病学）、不同的文档风格、不同的时间段，以及在多语言健康系统中使用不同的语言。一个在结构化账单数据上表现良好的去标识化系统可能在非结构化的精神病进展笔记上失败，因为PHI出现在叙述上下文中，而不是标记字段中。
混合检测要求
2025年的研究调查确定了一种一致的模式：具有最高PHI召回率的系统结合了结构化标识符检测（SSN、MRN、电话号码的正则表达式）与上下文NER（基于变换器的模型用于名称、叙述上下文中的日期）和定制实体支持（特定机构的标识符）。
纯ML方法在格式良好的文本中对常见标识符实现高召回率，但在缩写、稀有标识符类型和非英语文本上表现不佳。纯正则表达式方法在结构化标识符上实现高召回率，但错过上下文PHI（在临床叙述中提到的医生姓名没有标题前缀）。
混合的三层架构 — 结构化标识符的正则表达式、上下文PHI的NLP、跨语言和缩写形式的变换器模型 — 是调查确定的实现适合HIPAA安全港合规的低于5%漏报率的模式。
来源：