Privacy Tool
Onze lokale pseudonimisatie-applicatie helpt zorginstellingen om gevoelige patiëntgegevens te beschermen én te benutten. Ideaal voor onderzoek, datadeling en innovatie, zonder privacyrisico’s. Makkelijk én kosteloos te gebruiken.
In samenwerking met
Hoe werkt de Privacy Tool
Stap 1: Upload je databestand en selecteer je gewenste settings
In de eerste stap upload je je databestand in CSV-of Excel formaat naar de tool. Dit bestand bevat de persoonsgegevens of gevoelige informatie die je wilt pseudonimiseren. De interface is ontworpen om gebruikers stap voor stap te begeleiden.
Stap 2: Selecteer je kolommen voor pseudonimisering
Selecteer hier de kolommen die persoonsgegevens bevatten en die je wilt pseudonimiseren. Denk bijvoorbeeld aan namen, adressen en burgerservicenummers. De tool biedt overzicht en controle, zodat je nauwkeurig bepaalt welke data worden bewerkt.
Stap 3: voer de pseudonimisering uit
Klik op ‘Start’ om de pseudonimisering automatisch uit te voeren. De tool verwerkt het bestand en toont in real-time de voortgang. Je ziet duidelijke welke velden zijn aangepast, zodat je direct weet dat het proces correct is verlopen.
Stap 4: Voorbeeldweergave van gespeudonimiseerde data
In deze stap krijg je een voorbeeldweergave van het gepseudonimiseerde bestand te zien. Slechts de eerste drie regels van de dataset worden getoond, zodat je snel kunt controleren of de bewerking naar wens verlopen is. Daarnaast kun je nogmaals het originele bestand raadplegen voor vergelijking. Ben je tevreden met het resultaat? Klik dan op ‘opslaan en downloaden’ om de definitieve versie op te slaan en lokaal te downloaden.
Stap 5: Download het gepseudonimiseerde bestand
Na voltooing download je het aangepaste bestand met 1 klik. De gevoelige gegevens zijn vervangen of versleuteld, klaar voor veilig gebruik binnen je organisatie of voor verdere analyse zonder privacyrisico’s.
Veelgestelde vragen
Wat is de Privacy Tool precies?
De Privacy Tool van Carmenda is een oplossing waarmee je zorgdata uit EPD- of ECD-systemen veilig kunt pseudonimiseren. Direct herleidbare persoonsgegevens worden automatisch vervangen door codes of bewerkt, zodat de data geschikt wordt voor onderzoek, kwaliteitsverbetering en innovatie — met inachtneming van de AVG.
Voor wie is deze tool bedoeld?
De tool is bedoeld voor:
- zorginstellingen (langdurige zorg, VVT, GGZ, etc.)
- IT- en applicatiebeheerders
- functionarissen gegevensbescherming
- onderzoekers en data-analisten
- beleidsmakers
Iedere organisatie die zorgdata wil inzetten voor onderzoek of innovatie binnen AVG-kaders kan de tool gebruiken.
Hoe helpt de Privacy Tool bij AVG-compliant werken met zorgdata?
De tool ondersteunt zorgorganisaties bij het verwerken van persoonsgegevens volgens de Algemene Verordening Gegevensbescherming (AVG). Door persoonsgegevens te pseudonimiseren (of anonimiseren) wordt het privacyrisico aanzienlijk verminderd.
De verwerking vindt lokaal plaats binnen de eigen infrastructuur van jouw organisatie. Zo houd je controle over de data en voldoe je aan de principes van dataminimalisatie, doelbinding en beveiliging.
Wat is het verschil tussen pseudonimisering en anonimiseren van patiëntgegevens?
Bij pseudonimisering worden identificerende gegevens vervangen door een code. De koppeling kan in principe worden hersteld via een aparte sleutel, die binnen jouw organisatie blijft.
Bij anonimiseren worden gegevens zodanig bewerkt dat herleiding naar een individu niet meer mogelijk is. Dit biedt het hoogste niveau van privacybescherming.
Kan ik EPD- of ECD-data veilig gebruiken voor onderzoek?
Ja, mits dit gebeurt binnen de geldende wet- en regelgeving. De Privacy Tool helpt om EPD- en ECD-gegevens veilig geschikt te maken voor secundair gebruik, zoals wetenschappelijk onderzoek of beleidsanalyse.
Door persoonsgegevens te bewerken voordat data wordt gedeeld of geanalyseerd, verklein je risico’s en versterk je compliance.
Heeft Carmenda toegang tot onze patiëntgegevens?
Nee. De pseudonimisering vindt lokaal plaats binnen jouw eigen IT-omgeving. De applicatie is te downloaden en lokaal te gebruiken. Carmenda heeft geen toegang tot originele persoonsgegevens of decodeersleutels.
Alleen wanneer jouw organisatie daar expliciet voor kiest, kan een gepseudonimiseerde dataset worden ingezet binnen een afgesproken onderzoeksomgeving.
Welke dataformaten ondersteunt de Privacy Tool?
De tool ondersteunt momenteel CSV-bestanden die afkomstig zijn uit EPD-, ECD- of andere bronsystemen. Zowel gestructureerde velden als vrije tekst kunnen worden verwerkt.
Is deze tool geschikt voor wetenschappelijk onderzoek in de zorg?
Ja. De Privacy Tool is specifiek ontwikkeld om zorgdata veilig beschikbaar te maken voor onderzoek en kwaliteitsverbetering. Dit maakt het mogelijk om medische, gedragsmatige en beleidsmatige inzichten te ontwikkelen zonder direct herleidbare persoonsgegevens te gebruiken.
Hoe werkt de Privacy Tool in de praktijk?
De werking is eenvoudig:
- Upload een databestand (CSV).
- Selecteer de kolommen die gepseudonimiseerd (of geanonimiseerd) moeten worden.
- Start de verwerking.
- Controleer het resultaat.
- Download de bewerkte dataset.
Zo maak je zorgdata snel en veilig geschikt voor analyse.
Kan ik de Privacy Tool eerst uitproberen?
Ja. Je kunt een demo aanvragen om te zien hoe de tool werkt en hoe deze past binnen jouw privacy- en data-strategie.
Maakt de Privacytool gebruik van machine learning modellen of vanregelgebaseerde modellen en wat is het verschil tussen die twee?
Regelgebaseerde modellen pseudonimiseren op basis van regels (bijvoorbeeld namen beginnen met een hoofdletter) en lijsten (locatielijsten, voornamen lijsten). Machine learning modellen pseudonimiseren op basis van patronen, die ze zelf ontdekken uit de data op basis van voorbeelden. Alhoewel regelgebaseerde modellen efficiënt en snel zijn, missen ze context, ze kijken niet naar de rest van de zin. Dit is soms wel nodig, denk aan woorden met een dubbele betekenis, bijvoorbeeld ‘Ben’ of ‘Wil’, dit kan zowel een naam zijn als een werkwoord. Vanaf september 2026 is het daarom mogelijk om in de Privacytool naast een regelgebaseerd model ook een machine learning model te gebruiken. Als gebruiker bepaal je zelf welk model het beste past bij jouw use case.
Hoe goed pseudonimiseert de Privacytool?
Pseudonimisatie gaat niet perfect en is niet 100%, want het blijft een subjectief proces en de tekst is ook niet perfect, denk aan spelfouten en grammaticale fouten. Hierdoor wordt het voor modellen moeilijker alle sensitieve data goed uit datasets te halen. Daarnaast zijn er ook geen bestaande richtlijnen met hoe goed pseudonimisatie moet zijn. Wel doen we onderzoek naar hoe goed onze modellen presteren en op basis daarvan kiezen we degene die het beste aansluit bij datasets over mensen met een verstandelijke beperking.
Welke sensitieve data haalt de Privacytool uit datasets?
Pseudonimisatie is een subjectief proces, het is niet zwart-wit welk woord sensitief is en welk woord niet. Dat ligt aan de omliggende woorden en ook aan de persoon die het leest. Een zorgverlener zal een gedragsrapportage eerder kunnen koppelen aan een persoon dan iemand die er verder vanaf staat, bijvoorbeeld een onderzoeker. In de Privacytool halen we zoveel mogelijk categorieën aan data eruit die sensitief kunnen zijn om zo de privacy zo goed mogelijk te waarborgen. Denk aan: datums, e-mails, ID’s, leeftijden, locaties, organisaties, namen, telefoonnummers, tijdstippen, URLs, ziekenhuizen, zorgaanbieders.
Hebben jullie een eigen pseudonimisatiemodel ontwikkeld?
Nog niet, momenteel maken we in de Privacytool gebruik van open-source modellen waar we zelf een paar kleine aanpassingen aan hebben gemaakt. We zijn er wel mee bezig om een omgeving op te zetten waarin we bestaande modellen kunnen verbeteren aangezien data over mensen met een verstandelijke beperking een eigen categorie aan data is en anders is dan andere zorgdata. We zouden graag de bestaande modellen hierop specialiseren.
Hoe snel werken de modellen die worden aangeboden in de Privacytool?
De regelgebaseerde modellen doen enkele minuten over tienduizenden regels, voor de machine learning algoritmes duurt dit iets langer. We maken wel een afweging hierin, het moet natuurlijk niet zo zijn dat je uren moet wachten tot de Privacytool klaar is met een pseudonimisatie van een paar duizend regels. We bieden daarom twee modellen aan, één regelgebaseerd model dat erg snel is en één machine learning model dat er langer over doet maar wel nauwkeuriger pseudonimiseert, zodat gebruikers zelf kunnen kiezen wat ze fijn vinden.
Wat zijn veelgemaakte fouten door pseudonimisatiemodellen?
Modellen hebben er moeite mee als namen met een kleine letter zijn geschreven. Verder is het lastig uit elkaar te halen of een naam een persoonsnaam is of een locatienaam. Het hangt van het doeleinde af hoe erg deze fouten zijn. Als het model woorden verkeerd classificeert wordt de gepseudonimiseerde tekst minder leesbaar en daardoor bijvoorbeeld minder bruikbaar voor onderzoek.
Privacy tool in de praktijk
