Reicht ein PubMed-Treffer als Beleg?

Nein. Auf PubMed liegen über 35 Millionen Einträge — darunter auch Einzelfälle, Tierstudien, Hypothesen-Papers und schwache Beobachtungsstudien. Ein einzelner Treffer beweist nichts. Suche nach Meta-Analysen oder systematischen Reviews zum gleichen Thema.

Was sind Red Flags in einer Biohacking-Behauptung?

Wenig n (< 30), Tiermodell als Hauptevidenz, kein Conflict-of-Interest-Statement, Wirkung nur in der Studie der herstellenden Firma reproduziert, p-Hacking-Verdacht (mehrfache Endpunkte ohne Bonferroni-Korrektur), kein Placebo-Vergleich, kurze Studiendauer bei chronischen Endpunkten.

Wie unterscheide ich Effektgröße von statistischer Signifikanz?

Statistisch signifikant (p < 0,05) heißt nur: der Effekt ist wahrscheinlich nicht Zufall. Sagt nichts über die Größe. Beispiel: 'Senkt LDL signifikant' kann −2 mg/dl bedeuten — statistisch signifikant, klinisch irrelevant. Suche nach absoluten Zahlen, Effect Sizes (Cohen's d), Number Needed to Treat (NNT).

Warum sind Tierstudien oft irreführend?

Mäuse leben 2 Jahre, Menschen 80. Dosierungen werden meist auf kg Körpergewicht skaliert, was die Pharmakokinetik nicht 1:1 überträgt. Krebs-Studien an Mäusen replizieren in Humantrials nur in 5-10 % der Fälle. Tierstudien sind Hypothesen-generierend, nicht beweisend.

Wo finde ich seriöse Reviews zu Supplements?

NIH ODS Fact Sheets (ods.od.nih.gov) — neutral, regelmäßig aktualisiert, mit Evidenzbewertung. Cochrane Reviews (cochranelibrary.com) — Goldstandard für Meta-Analysen. Examine.com — kommerziell, aber transparent referenziert. Für Supplement-Reviews mit Industrie-Anbindung: doppelt vorsichtig sein.

Wie nutze ich BiohackingAI für den Faktencheck?

Stelle eine konkrete Frage (z.B. 'Reduziert Curcumin Entzündungsmarker bei gesunden Erwachsenen?'). Unsere KI durchsucht PubMed live, gewichtet nach Evidenzstufe und liefert dir die zitierten Studien als klickbare Quellen — keine Halluzinationen, keine erfundenen Studien-IDs. Im Zweifel sagt sie 'Daten sind limitiert' statt etwas zu erfinden.

Was tun, wenn ein Influencer eine Studie zitiert?

Studie selbst lesen, nicht die Influencer-Zusammenfassung. Häufig wird die Effektgröße verzehnfacht, die Studienart aufgewertet (Tier → 'Studie'), oder das Conflict of Interest verschwiegen. Wenn der Influencer das Produkt verkauft, das die Studie testet: Wahrscheinlichkeit für ehrliche Darstellung sinkt drastisch.

Biohacking-Faktencheck: 7-Schritte-Anleitung

Q: Was sind Red Flags in einer Biohacking-Behauptung?

Wenig n (< 30), Tiermodell als Hauptevidenz, kein Conflict-of-Interest-Statement, Wirkung nur in der Studie der herstellenden Firma reproduziert, p-Hacking-Verdacht (mehrfache Endpunkte ohne Bonferroni-Korrektur), kein Placebo-Vergleich, kurze Studiendauer bei chronischen Endpunkten.

Q: Wie unterscheide ich Effektgröße von statistischer Signifikanz?

Statistisch signifikant (p < 0,05) heißt nur: der Effekt ist wahrscheinlich nicht Zufall. Sagt nichts über die Größe. Beispiel: 'Senkt LDL signifikant' kann −2 mg/dl bedeuten — statistisch signifikant, klinisch irrelevant. Suche nach absoluten Zahlen, Effect Sizes (Cohen's d), Number Needed to Treat (NNT).

Q: Warum sind Tierstudien oft irreführend?

Mäuse leben 2 Jahre, Menschen 80. Dosierungen werden meist auf kg Körpergewicht skaliert, was die Pharmakokinetik nicht 1:1 überträgt. Krebs-Studien an Mäusen replizieren in Humantrials nur in 5-10 % der Fälle. Tierstudien sind Hypothesen-generierend, nicht beweisend.

Q: Wo finde ich seriöse Reviews zu Supplements?

NIH ODS Fact Sheets (ods.od.nih.gov) — neutral, regelmäßig aktualisiert, mit Evidenzbewertung. Cochrane Reviews (cochranelibrary.com) — Goldstandard für Meta-Analysen. Examine.com — kommerziell, aber transparent referenziert. Für Supplement-Reviews mit Industrie-Anbindung: doppelt vorsichtig sein.

Q: Wie nutze ich BiohackingAI für den Faktencheck?

Stelle eine konkrete Frage (z.B. 'Reduziert Curcumin Entzündungsmarker bei gesunden Erwachsenen?'). Unsere KI durchsucht PubMed live, gewichtet nach Evidenzstufe und liefert dir die zitierten Studien als klickbare Quellen — keine Halluzinationen, keine erfundenen Studien-IDs. Im Zweifel sagt sie 'Daten sind limitiert' statt etwas zu erfinden.

Q: Was tun, wenn ein Influencer eine Studie zitiert?

Studie selbst lesen, nicht die Influencer-Zusammenfassung. Häufig wird die Effektgröße verzehnfacht, die Studienart aufgewertet (Tier → 'Studie'), oder das Conflict of Interest verschwiegen. Wenn der Influencer das Produkt verkauft, das die Studie testet: Wahrscheinlichkeit für ehrliche Darstellung sinkt drastisch.

Direkte Antwort

In sieben Schritten kannst du jede Biohacking-Behauptung in 5 Minuten als belegt, plausibel oder Bullshit einordnen: 1) Studienart prüfen (Meta-Analyse > RCT > Beobachtung > Tier > Anekdote), 2) Stichprobe checken (n < 30 ist Pilot, nicht Beweis), 3) Effektgröße statt p-Wert lesen, 4) Conflict of Interest scannen, 5) Reproduzierbarkeit suchen (mehrere unabhängige Gruppen), 6) PubMed direkt fragen, nicht der Influencer-Zusammenfassung glauben, 7) bei Gesundheits-Entscheidungen Cochrane oder NIH ODS als Goldstandard.

Die 7 Schritte im Detail

Schritt 1 — Evidenzstufe identifizieren

Die wissenschaftliche Welt hat eine Hierarchie:

Meta-Analyse / systematischer Review — fasst viele RCTs zusammen, höchste Aussagekraft
Randomisierte kontrollierte Studie (RCT) — Goldstandard der Einzelstudie
Beobachtungs- / Kohortenstudie — kann Zusammenhänge zeigen, keine Kausalität beweisen
Fallserie / Fallbericht — wenige Patienten, deskriptiv
Tierstudie / Mechanistik — biologisch plausibel, aber nicht human
Expertenmeinung / Anekdote — schwächste Stufe

Eine Behauptung, die auf einer einzelnen Mausstudie basiert, hat eine völlig andere Belastbarkeit als eine, die auf einer Cochrane-Meta-Analyse von 30 RCTs steht.

Schritt 2 — Stichprobengröße checken

n < 30 = Pilot, n < 100 = Hinweis, n > 1000 = belastbares Signal (bei moderaten Effekten). Bei kleinen Effekten (etwa kognitive Outcomes) brauchst du oft n > 500 für statistische Power. Eine Studie mit 12 Teilnehmern zu Lion's Mane sagt fast nichts — auch wenn p < 0,05.

Schritt 3 — Effektgröße lesen, nicht den p-Wert

Statistisch signifikant heißt: wahrscheinlich nicht Zufall. Sagt nichts über die Größe. Praktisch nutzlos:

"Signifikante LDL-Senkung" — wenn das −2 mg/dl bei einem Ausgangswert von 140 sind: klinisch irrelevant.
"Steigert kognitive Performance signifikant" — 0,3 Punkte auf einer 100-Punkte-Skala: messbar, aber spürbar nicht.

Suche nach absoluten Zahlen, Effect Sizes (Cohen's d: 0,2 klein, 0,5 mittel, 0,8 groß), Number Needed to Treat (NNT) bei klinischen Endpunkten.

Schritt 4 — Conflict of Interest scannen

Wer hat die Studie bezahlt? Wer hat die Daten ausgewertet? Wer profitiert vom Ergebnis? Studien mit Industriefinanzierung haben statistisch eine 4-6× höhere Wahrscheinlichkeit, positive Ergebnisse zu berichten. Das macht sie nicht automatisch falsch, aber sie brauchen unabhängige Replikation.

Die meisten seriösen Journals verlangen ein "Conflict of Interest Statement" am Ende der Studie. Fehlt es oder ist es ausweichend formuliert: skeptisch sein.

Schritt 5 — Reproduzierbarkeit suchen

Eine Behauptung, die nur in einer einzigen Studie aus einem einzigen Lab existiert, ist ein Signal — kein Beleg. Ein Hebel ist erst belegt, wenn mehrere unabhängige Forschungsgruppen das Ergebnis reproduzieren konnten. Bei Supplements und Lifestyle-Interventionen scheitern viele initial vielversprechende Effekte später an der Replikation (siehe "Reproduzierbarkeitskrise" in Psychologie und Biomedizin).

Schritt 6 — Direkt zur Quelle, nicht zum Influencer

Influencer haben einen ökonomischen Anreiz, Effektgrößen aufzublasen, Caveats wegzulassen und schlecht belegte Behauptungen als „Studien zeigen" zu verkaufen. Lies die Originalstudie. Wenn sie nicht verlinkt ist: starkes Red Flag. Wenn der Influencer das Produkt verkauft, das die Studie testet: nochmal kritischer sein.

PubMed (pubmed.ncbi.nlm.nih.gov) ist kostenlos und durchsuchbar. Abstracts sind frei. Volltext ist bei vielen Papers über sci-hub.se zugänglich (rechtliche Grauzone, aber funktional).

Schritt 7 — Goldstandard bei Gesundheits-Entscheidungen

Bei Entscheidungen mit Health-Auswirkung (Supplements, Medikamente, Diäten):

NIH Office of Dietary Supplements Fact Sheets (ods.od.nih.gov/factsheets) — neutral, evidenzbasiert, regelmäßig aktualisiert
Cochrane Library (cochranelibrary.com) — Goldstandard für Meta-Analysen
UpToDate (klinische Referenz für Ärzte — Paywall, aber oft über Bibliotheken zugänglich)

Was nicht zählt: Substack-Posts, YouTube-Zusammenfassungen, Reddit-Threads, ChatGPT-Antworten ohne Quellenangabe.

Drei häufige Trugschlüsse

„Es hat bei mir gewirkt" — n = 1, ohne Kontrolle, ohne Verblindung, mit Placebo- und Erwartungseffekten kontaminiert. Persönliche Erfahrung ist wertvoll für Hypothesen-Bildung, nicht für allgemeine Empfehlungen.

„Tausende von Jahren tradierte Anwendung" — Argument von Tradition. Aderlass, Schädel-Trepanationen und Quecksilber als Medikament hatten alle jahrtausendelange Tradition. Tradition belegt nichts über Wirksamkeit.

„Studien an Mäusen zeigen…" — kann ein Hinweis sein, ist aber kein Beweis. 90+ % der vielversprechenden Tierstudien replizieren nicht im Humantrial. Krebs-Mäuse haben uns 50 Jahre Heilungs-Hype geliefert, ohne dass die Übertragung gelungen wäre.

Methodik — Wie BiohackingAI das automatisiert

Die Plattform vereint die sieben Schritte in einer KI-gestützten Suche: jede Frage löst eine Live-Recherche auf PubMed aus, Treffer werden nach Evidenzstufe gewichtet (A+ bis F), zitiert mit klickbarem Link zur Primärquelle, und mit explizitem „Daten limitiert auf…"-Caveat versehen, wo die Evidenz dünn ist. Keine erfundenen Studien-IDs, keine ohne Quelle übernommenen Influencer-Claims.

Wie finde ich heraus ob Biohacking Tipps wirklich stimmen?