Evidenz bedeutet: belastbare Belege. Im Medizinkontext meint Evidenz nicht Meinung, Erfahrung oder Plausibilität allein, sondern die systematische Prüfung einer Maßnahme anhand wissenschaftlicher Daten. 

Evidenz entsteht also nicht dadurch, dass etwas plausibel klingt, modern wirkt oder einzelne Erfolgsgeschichten erzählt werden. Sie entsteht, wenn eine Maßnahme systematisch untersucht wird: möglichst am Menschen als klinische Studie, mit klarer Fragestellung, geeigneten Vergleichs- und / oder Kontroll-/Placebogruppen, nachvollziehbaren Endpunkten und transparenter Auswertung. Besonders aussagekräftig sind gut gemachte klinische Studien oder gar systematische Übersichtsarbeiten (sogenannte Meta-Analysen), die mehrere Studien zusammenfassen und deren Qualität bewerten.

Grundsätzlich unterscheidet man verschiedene Arten, wie Evidenz generiert wird: Manche Zusammenhänge lassen sich nicht durch eine klinische Studie klären, z.B. wäre es unethisch, Menschen langfristig Zigarettenrauch oder Alkohol auszusetzen, um zu prüfen, wie schädlich beides ist. Hier weicht man auf Untersuchungen an Tieren und Beobachtungs-Studien am Menschen (sog. natürliche Experimente) aus, indem man z.B. Gesundheitsverläufe von Rauchern mit entsprechenden Nichtrauchern vergleicht. Für Nahrungsergänzungs-Mittel oder bestimmte technischen „Longevity-Anwendung“ könnte man sogenannte Kontrollierte Klinische Studien nutzen, um einen Effekt zu belegen. Das sind wissenschaftliche Verfahren, wie sie auch für die Zulassung von Medikamenten oder Medizin-Produkten eingesetzt werden. D.h. hier wird eine Intervention idealerweise „verblindet“ geprüft, d.h. weder Prüfer noch Menschen, die an der Studie freiwillig teilnehmen, wissen, ob sie die wahre Intervention oder nur eine Scheinintervention über sich ergehen lassen. Die wahre Intervention oder die Scheinintervention werden zufällig zugeordnet. Dadurch möchte man zufällige Unterschiede zwischen Probanden und den sogenannten Placebo-Effekt vermeiden und die reine Wirkung der Intervention erkennen [1].

Für Menschen, die nun beurteilen wollen, ob eine Studie „lege artis“ geplant und durchgeführt wurde, gibt es sinnvolle Orientierungshilfen [1].  Auch haben die Protagonisten der Evidenz-basierten Medizin bereits 2013 ihre Konzepte laienverständlich als Buch publiziert: „Wo ist der Beweis?: Plädoyer für eine evidenzbasierte Medizin“. Es erklärt laienverständlich die Grundprinzipien medizinischer Evidenz und wie man sich diese erschließen kann [2]. Auch Webseiten, wie www.gesundheitsinformation.de vom Deutschen IQWiG bietet evidenzbasierte Gesundheitsinformationen in verständlicher Sprache [3]. Cochrane Plain Language Summaries fassen systematische Reviews für Nicht-Fachleute zusammen; verbesserte Formate können das Verständnis von Nutzen, Risiken und Evidenzqualität deutlich erhöhen [4]. Weitere Quellen und Webseiten finden sich in der Übersicht aus 2019.

In den letzten Jahren sind zunehmend KI-Anwendungen zur Prüfung von Evidenz als sinnvolle  Orientierungshilfen in den Vordergrund gerückt. ChatGPT, Perplexity oder Claude oder zukünftige Varianten sind keine Wahrheitsmaschine, aber KI kann helfen, komplexe Gesundheitsinformationen zu strukturieren, Fachbegriffe zu übersetzen und Studien oder Anbieterversprechen in verständliche Fragen zu zerlegen [5]. Sie kann zum Beispiel Fachbegriffe erklären helfen, um Werbeversprechen, so sie denn mit Studienergebnissen unterfüttert werden, verständlicher zu machen.

Hilfreich ist KI vor allem für einen ersten Realitätscheck: Was wird konkret behauptet? Gibt es Studien am Menschen? Wurde mit einer Vergleichsgruppe gearbeitet? Geht es um harte Gesundheitsendpunkte oder nur um Biomarker? Wie groß ist der Effekt? Für welche Zielgruppe gilt er? Welche Risiken, Kosten oder Interessenkonflikte gibt es?

Gleichzeitig bleibt wichtig: KI kann Quellen falsch einordnen, Studien übersehen oder überzeugend klingen, obwohl die Datenlage nur halluziniert ist. Deshalb sollten Nutzer KI immer auffordern, Quellen zu nennen, Unsicherheit sichtbar zu machen und zwischen belegt, plausibel, unklar und spekulativ zu unterscheiden. Gute Fragen (Engl.: Prompts) an KI wären etwa: „Erkläre mir diese Gesundheitsbehauptung XY in einfacher Sprache“, „Welche Art von Evidenz wäre nötig, um diese Aussage zu einer Anwendung oder Intervention XY in Bezug auf Longevity zu stützen?“ oder „Welche Warnsignale für übertriebene Longevity-Versprechen siehst Du bei Anwendung XY?“ Im Moment gibt es kaum Studien zum Nutzen in Bezug auf Evidenz-Analysen aber vielleicht sind in Zukunft sogenannte KI-Agenten (Englisch: Agentic AI) dazu in der Lage [6]. 

(Randbemerkung: Die Diskussion rund um die Corona-Pandemie hat deutlich gezeigt, wie wichtig es ist, dass auch Laien grundlegende Prinzipien wissenschaftlicher Evidenz verstehen. Viele öffentliche Debatten wurden dadurch erschwert, dass einzelne Studien, persönliche Erfahrungen, Meinungen und belastbare wissenschaftliche Daten oft gleichgesetzt wurden. Gerade in einer Gesundheitskrise ist es jedoch entscheidend zu verstehen, dass Evidenz nicht durch Plausibilität, Einzelbeispiele oder Autorität entsteht, sondern durch systematische Prüfung, transparente Methoden, Vergleichsgruppen und eine kritische Bewertung der Datenlage. Nur wenn Menschen nachvollziehen können, wie wissenschaftliche Erkenntnisse entstehen, warum sich Empfehlungen mit neuer Datenlage verändern können und weshalb Unsicherheit ein normaler Bestandteil von Wissenschaft ist, können sie informierte Entscheidungen treffen und öffentliche Gesundheitskommunikation besser einordnen.)

1: H. Trübel. Longevity – die Anti-Bullshit Formel, Kneipp-Verlag (Wien), 2026

2: Gerd Antes et al.. Wo ist der Beweis?: Plädoyer für eine evidenzbasierte Medizin; Hofgrefe Verlag AG (2013) 

2. www.gesundheitsinformation.de

3: https://www.cochrane.org/evidence

4: Oxman AD, Paulsen EJ. Who can you trust? A review of free online sources of "trustworthy" information about treatment effects for patients and the public. BMC Med Inform Decis Mak. 2019;19(1):35. Published 2019 Feb 20. doi:10.1186/s12911-019-0772-5

5: Miftaroski A, Zowalla R, Wiesner M, Pobiruchin M. Leveraging Large Language Models to Improve the Readability of German Online Medical Texts: Evaluation Study. JMIR AI. 2026;5:e77149. Published 2026 Jan 23. doi:10.2196/77149

6: Emile SH, Horesh N, Garoufalia Z, Gefen R, Boutros M, Wexner SD. Assessment of the Utility of Artificial Intelligence-Based Chatbots in Patient Education: A Systematic Review and Meta-Analysis. Am Surg. 2026;92(1):258-269. doi:10.1177/00031348251367031

Der Autor:

Prof. Dr. Hubert Trübel ist Mediziner und Pharmaforscher mit internationaler Erfahrung, unter anderem an der Yale University. In seinem Buch „Die Anti-Bullshit-Formel“ setzt er sich kritisch mit dem wachsenden Longevity-Markt auseinander – und plädiert für einen wissenschaftlich fundierten und alltagstauglichen Zugang zu Gesundheit.

Kontakt: Prof. Trübel, The Knowledge House GmbH, Breite Str. 22, D-40213 Düsseldorf; info@knowledge-house.com; Tel.: +49 1 786585920