Zázračný doplněk, nebo marketing? Ověřování zdravotních tvrzení s AI a PubMedem

Každá rodina to zná. Babička přepošle e-mail o zázračném doplňku, „který lékaři nechtějí, abyste znali". Kamarád u piva prohlásí, že káva ničí srdce, protože „to četl". Influencer s milionem sledujících prodává detoxikační kúru a mává u toho „studií z Harvardu". A vy stojíte mezi tím vším s telefonem v ruce a děláte to, co všichni: vygooglíte titulek, najdete pět článků, které si protiřečí, a za týden řešíte totéž znovu.

Tenhle návod nabízí jinou cestu: místo googlení titulků se naučit chodit rovnou ke zdroji — do databáze skutečných studií — a z každého ověření si nechat trvalý zápis, ke kterému se rodina vrací. Technicky to umožňuje PubMed konektor pro Claude, který v době psaní zdarma prohledává přes 36 milionů záznamů lékařské literatury. Ale technika je ta menší polovina. Ta větší je řemeslo: vědět, proč sdílený titulek není studie, umět z mlhavého tvrzení udělat zodpověditelnou otázku, přečíst abstrakt s AI jako překladatelem, zařadit studii na hierarchii důkazů a odlišit vědecký konsenzus od jedné osamocené práce. Přesně tohle se tu naučíte, krok za krokem, s prompty k okopírování.

A hned na začátku to nejdůležitější vymezení, které se bude textem vracet záměrně často: tohle je návod na mediální a vědeckou gramotnost, ne zdravotní poradna. AI ani PubMed nenahrazují lékaře. O léčbě, nasazování a vysazování léků a o diagnózách rozhoduje lékař — vždycky, bez výjimky. Co vám tenhle postup dá, je něco jiného a taky cenného: schopnost nenaletět marketingu, rozeznat silný důkaz od slabého a přijít do ordinace s lepšími otázkami místo s vytištěným řetězovým e-mailem. Číst můžete po fázích; kdo spěchá, ať skočí na fázi 1 a vrací se pro souvislosti.

Vzorová situace

Jana má osmiletého syna, mámu v důchodu a bratra, který uběhne maraton pod čtyři hodiny. Zní to jako začátek vtipu, ale je to začátek tří situací, které se jí sešly v jednom týdnu — a na kterých celý návod postavíme, protože dohromady pokrývají skoro všechno, co vás v běžném životě potká.

Situace první: reklama na doplněk pro dítě. Janě se na sociálních sítích zobrazila reklama na sirup „pro dětskou imunitu a soustředění", s obrázkem usměvavého školáka a větou „klinicky prokázáno". Syn je pořád nemocný — jako každý osmiletý kluk v listopadu — a Jana cítí to, s čím reklama přesně počítá: co kdyby to pomohlo? Stojí to nemálo, ale co je to proti zdraví dítěte. Dřív by koupila, nebo nekoupila, podle nálady a diskuze na mateřském fóru. Teď si otevře Claude s PubMed konektorem a za dvacet minut ví: „klinicky prokázáno" se opírá o jednu studii se čtyřiceti dětmi, placenou výrobcem, která měřila něco jiného, než reklama slibuje. To není důkaz, že sirup škodí — je to důkaz, že za těch pár set korun kupuje naději, ne účinek. Rozhodne se sama a informovaně; a kdyby ji trápila synova nemocnost sama o sobě, je to otázka na pediatra, ne na doplněk z reklamy.

Situace druhá: řetězový e-mail u nedělního oběda. Janina máma Věra přeposlala e-mail: „Vědci zjistili, že [běžná potravina] způsobuje rakovinu — sdílejte, než to smažou!" U nedělního oběda o tom mluví vážně a s obavou; přestala tu potravinu kupovat a nabádá k tomu celou rodinu. Janin první impulz je oči v sloup a „mami, to je hoax". Ví ale, že tenhle tah nikdy nefunguje — máma se zatvrdí a příště e-mail prostě přepošle jen sestřenici. Místo toho Jana večer tvrzení proběhne PubMedem, zjistí, co za titulkem skutečně je (observační studie na hlodavcích, dávky tisíckrát vyšší než realita), a hlavně si připraví, jak o tom s mámou mluvit bez povýšenosti — technikou mostu, ke které se dostaneme. A tvrzení uloží do registru, protože tenhle konkrétní hoax se vrací každé dva roky v novém kabátě.

Situace třetí: „studie" z fitness Instagramu. Janin bratr Martin běhá a sleduje účty o výživě sportovců. Jeden z nich tvrdí, že „studie prokázala", že konkrétní suplement zlepšuje výkon o 15 procent — a v dalším příspěvku ho prodává se slevovým kódem. Martin není naivní, ale patnáct procent je patnáct procent. Poprosí Janu, ať mu ukáže, jak se to dělá. Společně najdou původní práci: osm trénovaných mužů, jeden týden, měřilo se něco jen volně souvisejícího s během — a těch 15 procent je relativní změna u jednoho z pěti měřených ukazatelů, u ostatních nevyšlo nic. Martin suplement nekoupí; koupí si místo toho o hodinu delší spánek, u kterého důkazy drží líp.

A co je na tom to podstatné: za měsíc přijde další reklama, další e-mail, další příspěvek. Rozdíl mezi rodinou, která každé tvrzení řeší od nuly, a rodinou, která má systém, je jeden markdown soubor — registr ověřených tvrzení, kam Jana všechna tři ověření zapsala: tvrzení, verdikt, síla důkazů, datum, odkazy na studie. Když teta o Vánocích vytáhne tentýž detox, Jana neotvírá vyhledávač — otevře registr. A když se za rok objeví nová velká studie, jeden řádek se aktualizuje. Přesně takhle se z jednorázového „vygooglím to" stává návyk, který v rodině zůstane.

Proč sdílený titulek není studie

Než sáhneme po nástrojích, potřebujete šest pojmů. Ne kvůli zkoušce — kvůli tomu, že každý z nich je jedno konkrétní místo, kde se z opatrného vědeckého výsledku stává bombastický titulek. Kdo těch šest míst zná, pozná osmdesát procent problémů ještě dřív, než otevře PubMed. Projdeme je na příkladech, které uvidíte dnes večer na sociálních sítích.

Tisková zpráva není paper

Mezi studií a vaším telefonem stojí řetěz: vědci napíšou odborný článek (paper) → univerzitní PR oddělení z něj udělá tiskovou zprávu → novinář z tiskové zprávy článek → editor k článku titulek → někdo titulek sdílí s vlastním komentářem. Každý článek řetězu má motivaci přitvrdit. Vědci píšou „naznačuje souvislost u sledované populace", PR oddělení „průlomový objev", novinář „vědci zjistili", titulek „TOHLE způsobuje rakovinu" a komentář „já to vždycky říkal". Původní studie přitom klidně může být poctivá a opatrná — jenže vy čtete až pátý článek řetězu.

Praktický důsledek: sdílený titulek nikdy neberte jako informaci o vědě, ale jako tip, že někde možná existuje studie. Vaše práce je najít ji — a na to je zbytek návodu. Mimochodem, věta „sdílejte, než to smažou" je spolehlivý signál, že žádná studie neexistuje; skutečné studie nikdo nemaže, leda by byly staženy pro chyby (i to se dá ověřit, ukážeme si jak).

Relativní versus absolutní riziko

Nejmocnější trik zdravotních titulků vůbec. „Konzumace X zvyšuje riziko nemoci Y o 50 procent" zní děsivě. Jenže pokud je základní riziko 2 lidé z 10 000 a zvedne se na 3 z 10 000, je to nárůst o 50 procent relativně — a o jednoho člověka z deseti tisíc absolutně. Obě čísla jsou matematicky pravdivá; jen jedno vám pomůže rozhodnout se rozumně. Titulky téměř vždy uvádějí relativní změnu, protože je větší. Totéž funguje i obráceně u slibů: „o 40 procent lepší usínání" může znamenat usnutí o sedm minut dřív.

Otázka, kterou si osvojte: kolik lidí ze sta se to reálně týká — před a po? Když v abstraktu absolutní čísla nejsou (a často nejsou), je to samo o sobě informace: autoři, nebo tisková zpráva, si vybrali to působivější číslo. AI je na tenhle přepočet skvělý pomocník, protože čísla z abstraktu vytáhne a přepočítá na „lidi ze sta" — uvidíte ve fázi 3.

Korelace není kauzalita

Lidé, kteří pijí hodně kávy, mají v některých studiích jiné zdravotní výsledky než ti, kdo kávu nepijí. Znamená to, že za to může káva? Nemusí: kávu pijí častěji lidé, kteří pracují v kanceláři, kouří, spí méně, mají jiný příjem… Každá z těch věcí může být skutečnou příčinou a káva jen nevinným spolucestujícím. Říká se tomu zavádějící proměnná a je to důvod, proč observační studie („podívali jsme se, kdo co dělá, a srovnali výsledky") umí ukázat souvislost, ale ne příčinu.

Příčinu testuje jiný design: randomizovaná kontrolovaná studie (RCT), kde se účastníci náhodně rozdělí a jedna skupina dostane zkoumanou látku, druhá placebo. Náhodné rozdělení zajistí, že kuřáci, spáči i kancelářské krysy jsou v obou skupinách stejně — a rozdíl ve výsledku pak jde přičíst zkoumané látce. Rozdíl mezi „souvisí" a „způsobuje" je nejčastější místo, kde titulky lžou, aniž by technicky lhaly: studie našla korelaci, titulek napsal kauzalitu.

Myši nejsou lidé

Obrovská část „průlomových objevů" z titulků se odehrála v Petriho misce nebo na hlodavcích. To není výsměch — tak věda začíná a jinak to nejde. Ale cesta od „funguje na buňkách" přes „funguje na myších" k „funguje a je bezpečné u lidí" trvá roky a většina kandidátů po ní nedojde. Látka, která v laboratoři zabíjí nádorové buňky, je dlouhý seznam — patří na něj i savo. K tomu se přidává otázka dávky: efekty na zvířatech se často dosahují dávkami, které by u člověka odpovídaly kilogramům dané potraviny denně.

Otázka k osvojení: na kom nebo na čem se to zkoumalo? Odpověď je v abstraktu vždycky, obvykle hned v části „methods". „In vitro" znamená buňky ve skle, „murine model" myši. Pokud titulek mluví o lidech a studie o myších, máte hotovo — ne proto, že by studie byla špatná, ale proto, že tvrzení říká něco, co studie netvrdí.

Velikost vzorku a délka sledování

Studie s dvanácti účastníky může být poctivá pilotní práce — a zároveň je téměř nemožné z ní cokoli vyvodit pro vás. Malé vzorky dávají divoké výsledky: hoďte si dvanáctkrát korunou a klidně vám padne devět orlů; hoďte si tisíckrát a bude to půl na půl. Proto jeden ohromující výsledek na malém vzorku tak často zmizí, když studii někdo zopakuje ve velkém. Podobně délka: doplněk testovaný dva týdny vám neřekne nic o tom, co dělá po roce užívání — ani v dobrém, ani ve zlém.

Neexistuje magická hranice „dost velkého" vzorku (závisí na velikosti efektu), ale orientačně: desítky účastníků = pilotní signál, stovky = začíná to být zajímavé, tisíce = solidní základ. A vždycky se ptejte, kolik lidí studii dokončilo — když z 200 účastníků polovina odpadla, výsledek se počítá z té poloviny, která vydržela, a to bývají jiní lidé než ti, co odpadli.

Střet zájmů

Studii o účinku doplňku zaplatil výrobce doplňku. Neznamená to automaticky podvod — průmyslem financovaný výzkum je běžný a často kvalitní. Znamená to ale systematický náklon: studie financované výrobcem docházejí k příznivým výsledkům častěji, mimo jiné proto, že nepříznivé výsledky se tiše nepublikují. Seriózní časopisy proto vyžadují sekci „conflicts of interest" a „funding" — a vy se do ní vždycky podívejte, respektive nechte podívat AI. Červená kontrolka nesvítí u „financoval výrobce", ale u kombinace: financoval výrobce + malý vzorek + měkký výsledek + prodává se to o tři příspěvky dál se slevovým kódem.

Tady je první prompt návodu — rychlá „předletová kontrola" titulku ještě před hledáním studií. Je to třídička: řekne vám, jestli tvrzení vůbec stojí za dvacet minut s PubMedem, nebo jestli spadne už na první pohled.

Tady je zdravotní tvrzení, které se ke mně dostalo:
[vložit titulek, text řetězového e-mailu nebo přepis reklamy]

Zatím nic nehledej, jen tvrzení rozeber jako mediální analytik:
1. Co přesně se tvrdí? Přepiš to do jedné střízlivé věty bez emocí.
2. Jaká čísla tvrzení obsahuje — a jsou relativní, nebo absolutní?
   Pokud relativní bez základu, napiš, co by bylo potřeba doplnit.
3. Tvrdí se souvislost, nebo příčina? Cituj slova, ze kterých to poznáš.
4. Jaké signály marketingu nebo hoaxu v textu vidíš (naléhavost,
   „lékaři nechtějí, abyste věděli", slevový kód, anonymní „vědci")?
5. Co by musela ukázat studie, aby tvrzení podpořila? Formuluj to
   jako otázku, kterou pak půjdeme ověřit.
Buď skeptický, ale férový — nepiš „hoax", dokud jsme nic neověřili.

Vrátí střízlivý rozbor a hlavně bod 5 — otázku k ověření, se kterou budeme pracovat ve fázi 1. Pozor na jedno selhání: model občas rovnou „ví", jestli je tvrzení pravdivé, a napíše verdikt bez zdrojů. Nenechte se — verdikt bez dohledatelných studií je jen názor, byť názor jazykového modelu. Právě proto pokračujeme do PubMedu.

A druhý prompt téhle sekce — cvičení, které stojí za to udělat jednou s celou rodinou, klidně s dospívajícími dětmi. Vezměte skutečný zdravotní titulek z dnešních zpráv a nechte si ukázat celý řetěz ředění:

Vezmi tenhle skutečný zdravotní titulek: [vložit titulek a odkaz]
a rozehraj mi „tichou poštu vědy" — rekonstruuj, jak asi vypadaly
jednotlivé kroky mezi studií a titulkem:
1. Jak nejspíš zněl opatrný závěr v původní studii (typickým
   vědeckým jazykem, s výhradami)
2. Co z toho udělala univerzitní tisková zpráva
3. Co novinový článek
4. Co titulek a co sdílení na sociálních sítích
U každého kroku vyznač, co přesně se ztratilo nebo přitvrdilo.
Na konec napiš 3 otázky, které bych si měl položit, než titulek
pošlu dál. Je to cvičení mediální gramotnosti — smyšlené kroky
jasně označ jako rekonstrukci, ne jako fakta o téhle konkrétní studii.

Skvělé na tomhle cvičení je, že funguje i preventivně: kdo jednou viděl, jak se z „naznačuje mírnou souvislost u mužů nad 60 let" stane „TOHLE vás zabíjí", už titulky nikdy nečte stejně. Jak s dětmi a AI pracovat šířeji — od pohádek po kritické myšlení — popisuje návod o AI v rodině.

Co je PubMed a co umí konektor

PubMed je veřejná databáze biomedicínské literatury, kterou provozuje americká Národní lékařská knihovna (National Library of Medicine). V době psaní obsahuje přes 36 milionů záznamů — od kazuistik po velké metaanalýzy — a je zdarma, bez registrace, pro kohokoli. Není to „nějaký web o zdraví": je to ta samá databáze, ve které hledají lékaři a vědci. Když se řekne „studie ukázala", tak pokud ta studie existuje, s vysokou pravděpodobností má záznam právě tady, s unikátním identifikátorem PMID.

Důležité upřesnění hned na start: PubMed je katalog, ne knihovna plných textů. U každého záznamu najdete abstrakt (strukturované shrnutí studie), ale plný text je věc jiná — zdarma je dostupný jen u článků uložených v PubMed Central (PMC), což je v době psaní zhruba 8 milionů z těch 36. Zbytek je u vydavatelů, často za paywallem. Zní to jako velké omezení, ale pro náš účel je menší, než vypadá: na posouzení „co studie zkoumala, na kom a co našla" abstrakt většinou stačí — a přehledové články, které nás budou zajímat nejvíc, bývají otevřené častěji.

A teď konektor. V době psaní existuje oficiální PubMed konektor pro Claude — najdete ho v adresáři konektorů (v nastavení claude.ai v sekci konektorů) a funguje na claude.ai, v týmových a firemních účtech i v Claude Code. Zapnutí je na pár kliknutí a nic se u něj neplatí navíc — PubMed sám je veřejná služba. Co konektor podle dokumentace v době psaní umí:

• Hledat články podle klíčových slov, autorů, časopisů i pokročilé syntaxe — Claude formuluje dotaz za vás, včetně anglických odborných termínů, které byste sami nedali dohromady.
• Stáhnout metadata a abstrakt: autoři, časopis, rok, typ studie, abstrakt. To je surovina pro celou fázi 3.
• Načíst plný text u článků, které jsou v PubMed Central — tedy u otevřeně dostupné části literatury.
• Najít související články — od jedné studie se rozejít k dalším, což je základ kontroly konsenzu ve fázi 5.
• Dohledat citaci: z útržku typu „Novák, 2021, nějaký žurnál" najít konkrétní záznam a PMID. Neocenitelné, když influencer „cituje studii" bez odkazu.
• Převádět identifikátory mezi PMID, PMC ID a DOI — hodí se, když máte odkaz z jiného webu a chcete záznam v PubMedu.

Konkrétní podoba konektorů se vyvíjí, proto všude píšu „v době psaní" — než začnete, mrkněte do adresáře konektorů na aktuální stav. Obecný princip, jak konektory fungují a jak se připojují (a proč jsou pro AI tím, čím je USB-C pro hardware), vysvětluje přehled MCP konektorů. A jedna poznámka k soukromí, důležitá právě u zdravotních témat: vaše dotazy do PubMedu jsou hledání v literatuře, ne zdravotní záznamy — přesto do promptů nepište diagnózy a údaje konkrétních lidí („moje máma s cukrovkou 2. typu bere lék X") tam, kde to není nutné. Ptejte se obecně („co říkají studie o X u seniorů") a citlivé rodinné detaily nechte mimo chat, ideálně v duchu zásad z kapitoly o etické a bezpečné AI.

První prompt s konektorem je zkouška spojení — minutová kontrola, že všechno běží, a zároveň ukázka, jak vypadá výstup:

Máš připojený PubMed konektor. Vyzkoušej ho na neutrálním dotazu:
najdi 3 nejcitovanější systematické přehledy o vlivu spánku
na imunitu u dospělých z posledních 10 let.
U každého vrať: název, autory, časopis, rok, PMID a dvouvětné
shrnutí abstraktu v češtině. Nic si nedomýšlej — pokud konektor
nevrátí výsledky, napiš mi to na rovinu i s chybovou hláškou.
Na konci stručně popiš, jaký dotaz jsi do PubMedu poslal.

Poslední věta je zvyk, který se vyplatí od začátku: chtít vidět, jak se AI ptala. Jednak se u toho učíte (uvidíte anglické termíny a filtry, které použila), jednak odhalíte, když se hledání nepovedlo — třeba když model hledal příliš úzce a vrátil „nic neexistuje" o tématu, o kterém existují stovky prací.

Jak hledání v PubMedu funguje — a proč je dobré to tušit

Nemusíte se učit dotazovací jazyk PubMedu — od toho je konektor, AI syntax skládá za vás. Vyplatí se ale rozumět třem principům, protože vysvětlují, proč AI hledá tak, jak hledá, a kdy jí do toho vstoupit.

První princip: řízený slovník. PubMed nepoužívá jen prostá klíčová slova — záznamy jsou ručně oštítkované jednotným slovníkem odborných pojmů (říká se mu MeSH, Medical Subject Headings). Díky němu se najdou i studie, které v názvu používají synonymum: hledání přes štítek pro vitamin D najde práce, které píšou „cholecalciferol". Praktický důsledek pro vás: když model ve výpisu dotazu použije termíny, které jste nezadali, není to svévole — překládá vaši otázku do slovníku databáze. A obráceně, když hledání selhává, stojí za to říct „zkus to přes odpovídající MeSH termíny".

Druhý princip: filtry podle typu studie. PubMed umí omezit výsledky na metaanalýzy, systematické přehledy, RCT, na lidi versus zvířata, na časové rozmezí. Přesně tohle využívá strategie „nejdřív shora" z fáze 2 — a proto v promptech uvidíte formulace jako „systematické přehledy z posledních 10 let": nejsou to řečnické obraty, ale pokyny, které se přeloží na konkrétní filtry.

Třetí princip: hledání je iterace. První dotaz skoro nikdy není ten správný — buď vrátí tisíce výsledků (moc široký), nebo nic (moc úzký). Profesionální rešeršéři dotaz ladí v několika kolech a s konektorem to platí stejně; rozdíl je, že kola trvají vteřiny. Proto po AI vždycky chtějte, ať ukáže, jak se ptala, a ať řekne, kolik výsledků dotaz vrátil — „našel jsem tři studie" má úplně jiný význam, když dotaz vrátil tři výsledky celkem, než když jich vrátil osm set a model vybral tři.

Trvalé prostředí: projekt na ověřování

Než se pustíme do fází, jedna investice na pět minut, která se vrátí u každého dalšího ověření. Založte si na claude.ai Projekt — třeba „Ověřování tvrzení" — a do jeho instrukcí dejte pravidla hry, ať je nemusíte opakovat v každém chatu:

Jsi můj asistent pro ověřování zdravotních a vědeckých tvrzení.
Pravidla, která platí v každé konverzaci v tomhle projektu:
1. Nejsi lékař a neradíš o léčbě. Když se moje otázka stočí
   k dávkování, nasazení nebo vysazení léků či k příznakům,
   zastav se a připomeň mi, že tohle patří k lékaři.
2. Každé tvrzení o studii dokládáš PMID z PubMed konektoru.
   Studie bez dohledatelného PMID neexistuje.
3. Vždy uvádíš typ studie (kazuistika, observační, RCT,
   metaanalýza), velikost vzorku a na kom se zkoumalo
   (lidé/zvířata/buňky).
4. Aktivně hledáš protiargumenty: u každého závěru zmíníš
   nejsilnější studii nebo argument PROTI němu.
5. Rozlišuješ „souvisí" a „způsobuje" a přepočítáváš relativní
   čísla na absolutní („X lidí ze 100"), kdykoli to data dovolí.
6. Mluvíš česky, odborné termíny vysvětluješ na první použití.

Tohle je zároveň první pojistka proti přitakávání (bod 4 — vrátíme se k němu ve fázi 5) a proti tichému sklouznutí od gramotnosti k „poradně" (bod 1). Do projektu později nahrajete i registr ověřených tvrzení, takže každý nový chat bude vědět, co už jste ověřili.

Mentální postup: stejná kuchařka jako u firemní značky

Možná to zní překvapivě, ale postup, který se tu učíme, není vynález pro zdravotní témata. Je to tentýž myšlenkový vzorec, který na tomhle webu používá návod na značku jako systém — tam se z rozsypaných podkladů staví brand voice, brožura a CRM, tady se z rozsypaných titulků staví rodinná znalost. Kroky jsou identické a stojí za to je vidět pojmenované, protože se vám budou hodit i u třetího a čtvrtého tématu, na které je použijete:

1. Modelová situace — nezačíná se nástrojem, ale konkrétním problémem konkrétního člověka. U nás: Jana a sirup, Věra a e-mail, Martin a suplement.
2. Inventura — co vlastně máme? Tam podklady firmy, tady přesné znění tvrzení a jeho rozklad na ověřitelnou otázku (fáze 1).
3. Jeden zdroj pravdy — tam brand voice v gitu, tady primární literatura v PubMedu místo pátého převyprávění v médiích (fáze 2–5).
4. Odvozené výstupy — tam web a brožura čtou brand voice, tady se z ověření odvozuje verdikt, odpověď babičce i rozhodnutí o nákupu — všechno z téhož ověření, ne třikrát od nuly (fáze 6).
5. Editovatelnost — tam soubor .af místo vygenerovaného obrázku, tady registr jako živý dokument: nová studie nepřepisuje vaši paměť, ale jeden řádek v souboru.
6. Náklady a limity poctivě — tam kapitola o tom, co nedělat v chatu, tady celá sekce o paywallech, publikačním biasu a o tom, kdy PubMed zavřít a objednat se k lékaři.

Jestli jste firemní návod četli, bude vám následujících šest fází povědomých. Jestli ne, nevadí — ale až budete příště stavět cokoli jiného s AI, vzpomeňte si, že kuchařka je pořád jedna: situace, inventura, zdroj pravdy, odvozené výstupy, editovatelnost, limity.

Fáze 1: inventura — z tvrzení udělat otázku

Nejčastější důvod, proč ověřování ztroskotá, není nedostatek studií — je to mlhavé tvrzení. „Kurkuma je zdravá" se ověřit nedá; není řečeno pro koho, na co, v jaké formě a proti čemu se srovnává. Vědci na tenhle problém mají nástroj jménem PICO a my si ho vypůjčíme, protože je geniálně jednoduchý: každou zdravotní otázku jde rozložit na Populaci (kdo?), Intervenci (co se dělá nebo čemu je vystaven?), Comparison — srovnání (proti čemu? placebo, nic, jiná látka?) a Outcome — výsledek (co přesně se měří?).

Rozdíl je dramatický. „Pomáhá vitamin D?" je nezodpověditelné. „Snižuje užívání vitaminu D u jinak zdravých dospělých v zimě počet respiračních infekcí oproti placebu?" je otázka, na kterou existuje literatura a dá se najít. Nemusíte si PICO pamatovat jako zkratku — stačí si pamatovat, že se ptáte: kdo, co, proti čemu, a co přesně se měří.

Rozklad tvrzení s AI

V praxi rozklad neděláte ručně — je to první, co v novém chatu (v projektu z předchozí sekce) zadáte. Vezměme Janin sirup:

Ověřuji tvrzení z reklamy na doplněk stravy pro děti. Reklama říká:
[vložit doslovně text reklamy, např. „sirup s extraktem X podporuje
imunitu a soustředění vašeho dítěte — klinicky prokázáno"].
Složení podle e-shopu: [vypsat deklarované účinné látky].

Rozlož to na ověřitelné otázky metodou PICO (populace, intervence,
srovnání, výsledek) — lidsky, ne akademicky:
1. Kolik různých tvrzení reklama ve skutečnosti obsahuje?
   („imunita" a „soustředění" jsou dvě různá tvrzení)
2. Pro každé tvrzení sestav PICO otázku v jedné české větě
   a k ní anglická klíčová slova pro hledání v PubMedu.
3. Označ, které tvrzení je formulováno tak mlhavě, že se ověřit
   nedá — a co by reklama musela říct, aby se dalo.
Zatím nehledej, jen připrav otázky. Jsem rodič, ne vědec —
vysvětluj bez žargonu.

Typický výstup: z jedné reklamní věty se vyklubou tři čtyři samostatná tvrzení a u poloviny z nich se ukáže, že jsou právně nenapadnutelná právě proto, že nic konkrétního netvrdí („podporuje imunitu" nic neměří). To je samo o sobě zjištění: čím mlhavější slib, tím menší šance, že za ním něco je — konkrétní účinky se prodávají konkrétně. Zkontrolujte, že navržená klíčová slova odpovídají deklarované látce, ne obchodnímu názvu výrobku; podle obchodního názvu v PubMedu skoro nikdy nic nenajdete a model to občas přehlédne.

Co když tvrzení nemá žádný zdroj

Věřin řetězový e-mail se od reklamy liší v jednom: netvrdí „klinicky prokázáno", tvrdí „vědci zjistili" — bez jmen, bez roku, bez časopisu. I tak se dá pracovat, jen jinak: místo dohledávání konkrétní studie hledáte, jestli o tématu vůbec existuje literatura a co říká.

Dostal jsem řetězový e-mail s tvrzením: [vložit tvrzení, např.
„vědci zjistili, že ohřívání jídla v mikrovlnce ničí živiny
a vytváří karcinogeny"]. E-mail neuvádí žádný zdroj.

1. Rozděl tvrzení na dílčí ověřitelné otázky (PICO, lidsky).
2. U každé otázky odhadni, jak by vypadal svět, kdyby tvrzení
   platilo: co bychom čekali v literatuře? (velké studie, oficiální
   stanoviska, přehledy)
3. Připrav hledací dotazy do PubMedu — jak pro potvrzení, tak
   PRO VYVRÁCENÍ: formuluj i dotaz, který by našel studie
   ukazující opak.
4. Zkus dohledat, odkud tvrzení historicky pochází — bývá to
   dezinterpretace konkrétní staré studie. Pokud to nevíš jistě,
   napiš to.

Bod 3 je drobnost s velkým dopadem. Když hledáte jen potvrzení, najdete ho — na skoro cokoli existuje aspoň jedna slabá studie. Když od začátku hledáte oběma směry, dostanete obraz místo munice. K tomu se vrátíme ve fázi 5, protože je to nejdůležitější návyk celého návodu.

Martinův případ: když zdroj je, ale schovaný

Fitness Instagram je zvláštní žánr: „studie" se zmiňuje, občas i se screenshotem grafu, ale bez odkazu. Tady nastupuje dohledání citace — konektor umí z útržků najít konkrétní záznam:

Influencer tvrdí: [vložit tvrzení, např. „nová studie: suplement X
zlepšuje vytrvalostní výkon o 15 %"]. V příspěvku je screenshot
grafu s popiskem [opsat, co je čitelné: příjmení autora, rok,
název časopisu, cokoliv].

1. Zkus přes PubMed konektor dohledat, o kterou studii jde
   (hledej podle autora, roku a tématu). Vrať kandidáty s PMID
   a u každého napiš, jak moc si odpovídá s tím screenshotem.
2. Pokud studii najdeš, porovnej: co přesně tvrdí abstrakt
   versus co tvrdí příspěvek? Vypiš rozdíly.
3. Pokud ji nenajdeš, napiš to jasně — a vysvětli, co to znamená
   (možná preprint, možná konferenční poster, možná neexistuje).
   Nespekuluj o výsledcích studie, kterou jsi neviděl.

Tři možné výsledky a všechny jsou užitečné. Studie existuje a říká, co příspěvek tvrdí — dobře, jdete ji posoudit do fáze 3. Studie existuje a říká něco jiného — nejčastější případ, máte hotovo a máte i co odpovědět. Studie není k nalezení — a „studii, kterou nikdo nemůže najít" je fér tak i pojmenovat. Pozor na past: model má někdy tendenci vybrat „nejbližší podobnou" studii a tvářit se, že to je ona. Proto chceme kandidáty s mírou jistoty, ne jednu sebejistou odpověď.

Výstupem fáze 1 je jedna až pět konkrétních otázek s anglickými klíčovými slovy. Trvá to pět deset minut a je to nejlépe investovaný čas celého postupu — se špatnou otázkou se i v nejlepší databázi najde jen šum.

Fáze 2: hledání — najít správné studie, ne první studii

Teď konektor zapřáhneme naplno. Cíl fáze 2 není najít „nějakou studii" — to je právě chyba, kterou dělají řetězové e-maily. Cíl je zjistit, jak vypadá krajina důkazů kolem otázky: kolik toho existuje, jakého typu a jestli existují souhrnné práce, které to už poskládaly za nás.

Nejdřív shora: přehledy a metaanalýzy

Zlaté pravidlo hledání: nezačínejte u jednotlivých studií, začněte u systematických přehledů a metaanalýz. To jsou práce, jejichž autoři udělali přesně to, co vy teď zkoušíte — našli všechny relevantní studie k otázce, vyhodili ty nekvalitní a zbytek statisticky shrnuli. Když k vaší otázce existuje slušná metaanalýza z posledních let, máte devadesát procent práce hotové. Když neexistuje, i to je informace: téma je buď příliš nové, nebo příliš okrajové — a jedna izolovaná studie, na kterou narazíte, je tím pádem sama, bez opory.

Použij PubMed konektor. Moje otázka (z PICO rozkladu):
[vložit otázku, např. „snižuje extrakt X u dětí školního věku
počet respiračních infekcí oproti placebu?"]
Klíčová slova: [vložit anglická klíčová slova z fáze 1]

Hledej v tomhle pořadí a po každém kroku se zastav:
1. Systematické přehledy a metaanalýzy k otázce z posledních
   10 let. Vrať max 5 nejrelevantnějších: název, rok, PMID,
   kolik studií a účastníků zahrnují, hlavní závěr jednou větou.
2. Pokud žádné nejsou, největší randomizované kontrolované studie.
3. Pokud nejsou ani ty, řekni mi to — a vypiš, co k tématu
   existuje (observační studie? zvířata?), ať vidím, v jaké fázi
   poznání téma je.
U každého výsledku uveď, jak přesně odpovídá mé otázce: stejná
populace? stejná forma látky? stejný měřený výsledek? Rozdíly
vypiš — „skoro stejné" mi nestačí.

Poslední odstavec promptu hlídá past jménem „skoro stejná studie". Klasický příklad: ptáte se na děti, studie zkoumala dospělé; ptáte se na sirup s extraktem, studie zkoumala injekčně podávanou čistou látku v nemocnici. Model rád podá „nejbližší nález" jako odpověď — a rozdíl v populaci nebo formě podání přitom může být celý příběh. Chtějte rozdíly explicitně vypsané a rozhodněte sami, jestli jsou podstatné.

Číst mapu, ne jen výsledky

Druhý krok hledání je krátký, ale mění perspektivu: místo seznamu studií si nechte popsat terén.

Zůstaň u mé otázky. Než se ponoříme do jednotlivých studií,
popiš mi krajinu důkazů — jako kdybys mi kreslil mapu:
1. Kolik toho k otázce zhruba existuje? (řádově: jednotky studií,
   desítky, stovky?)
2. Jaké typy převažují — buňky/zvířata, observační, RCT, přehledy?
3. Shodují se výsledky, nebo je pole rozdělené? Pokud rozdělené,
   podle čeho (starší vs. novější, financované vs. nezávislé,
   různé populace)?
4. Je vidět vývoj v čase? (nadšené malé studie na začátku,
   střízlivější velké později — to je častý vzorec)
Všechna tvrzení opři o konkrétní PMID, které jsi našel v kroku 1,
nebo dohledej další. Kde si nejsi jistý, řekni to.

Bod 4 popisuje vzorec, který uvidíte znovu a znovu, a stojí za to ho znát jménem: decline effect, slábnoucí efekt. První malé studie nového doplňku bývají nadšené (malé vzorky, publikační bias, nadšení autoři), a čím větší a přísnější studie přicházejí, tím víc se efekt scvrkává — často až k nule. Když vám mapa ukáže tenhle tvar, je to silné vodítko: nadšený titulek nejspíš cituje ranou fázi křivky.

Když hledání nic nenajde

„K tomuhle nic není" má dvě velmi různé příčiny a vyplatí se je rozlišit. Buď je špatně dotaz — příliš úzký, špatné termíny, obchodní název místo látky. Nebo literatura opravdu neexistuje. Rozseknout to pomůže rozšiřovací prompt:

Hledání k otázce [otázka] nevrátilo skoro nic. Než uzavřeme,
že literatura neexistuje, zkus systematicky rozšířit:
1. Přeformuluj dotaz 3 způsoby: obecnější termíny, synonyma
   účinné látky (chemický název, běžný název, názvy v starší
   literatuře), příbuzné výsledky (místo „soustředění" třeba
   kognitivní testy).
2. Rozvolni populaci: pokud nic o dětech, co dospělí?
   Řekni mi ale jasně, že jde o jinou populaci.
3. Podívej se po souvisejících článcích u toho mála, co jsme
   našli.
Pokud ani pak nic — napiš závěr: „tvrzení není podložené, protože
k němu literatura prakticky neexistuje", a vysvětli, proč je to
jiný verdikt než „studie prokázaly, že to nefunguje".

Ten závěrečný rozdíl je jemný, ale poctivý: „není důkaz, že to funguje" a „je důkaz, že to nefunguje" jsou dvě různé věty. Do registru se zapisují různě a různě se o nich mluví s babičkou. Marketing žije právě v té mezeře — „nebylo vyvráceno!" — a vy ji umíte pojmenovat.

Mimochodem, pro rozsáhlejší otázky, kde chcete místo dialogu jeden důkladný elaborát s citacemi, se hodí hloubková rešerše — režim, kdy AI samostatně projde desítky zdrojů a vrátí strukturovanou zprávu. Jak s ní pracovat, ukazuje návod na hloubkovou rešerši na příkladu průzkumu trhu; princip je stejný, jen zdroje jsou tady studie. Pro běžné rodinné ověření je ale dialog s konektorem lepší: vidíte každý krok a učíte se u toho.

Fáze 3: čtení abstraktu — AI jako překladatel odborného jazyka

Máte pět studií s PMID. Teď je potřeba je přečíst — a tady většina lidí skončí, protože abstrakt vypadá jako tohle: „In this double-blind, placebo-controlled trial, 120 participants were randomized…" Dobrá zpráva: abstrakt je nejstrukturovanější text na světě. Skoro vždycky má čtyři části — proč se studie dělala (background), jak (methods), co vyšlo (results) a co si o tom autoři myslí (conclusions) — a AI ho umí rozložit a přeložit tak, že mu porozumí každý, kdo zvládne přečíst recept na svíčkovou.

Jedno pravidlo předem: abstrakt čtete kvůli methods a results, ne kvůli conclusions. Závěry píšou autoři a autoři mají své studie rádi; formulace v conclusions bývá o odstín optimističtější, než co ukazují čísla v results. Tisková zpráva pak cituje conclusions a titulek přitvrdí ještě jednou. Vy jdete opačným směrem: k číslům.

Strukturovaný překlad

Základní pracovní prompt fáze 3 — použijete ho na každou studii, kterou berete vážně:

Načti přes PubMed konektor abstrakt studie PMID [číslo]
(pokud je plný text v PubMed Central, načti i ten).
Přelož mi ji do lidštiny, strukturovaně:

1. OTÁZKA: Na co se studie ptala? (jedna věta)
2. KDO: Kolik účastníků, jací (věk, zdraví, země), lidé/zvířata/
   buňky? Kolik jich studii dokončilo?
3. JAK: Typ studie (vysvětli, co ten typ znamená). Co přesně
   dostávali/dělali, jak dlouho, s čím se to srovnávalo?
4. CO VYŠLO: Hlavní výsledky ČÍSLY. Relativní údaje přepočítej
   na absolutní („ze 100 lidí…"), pokud to data umožňují.
   Co vyšlo a co NEvyšlo — vypiš i měřené výsledky bez rozdílu.
5. HÁČKY: Velikost vzorku, délka sledování, kdo studii platil,
   uvádění střetu zájmů, cokoli, co autoři sami přiznávají
   v limitations.
6. JEDNOU VĚTOU: Co tahle studie říká k mému tvrzení [tvrzení]
   — a co k němu neříká.
Drž se toho, co je v textu. Kde abstrakt informaci neobsahuje,
napiš „abstrakt neuvádí" — nedomýšlej.

Dvě místa, kde buďte ve střehu. Zaprvé bod 4: „co NEvyšlo" je zásadní. Studie často měří pět věcí, vyjde jedna a mluví se jen o ní — tomu se říká cherry-picking výsledků a z abstraktu bývá vidět (v methods je výčet měřeného, v results se o půlce mlčí). Zadruhé závěrečná instrukce: bez ní má model sklon díry v abstraktu tiše zaplnit obecnými znalostmi, a vy pak nevíte, co je z téhle studie a co z „paměti" modelu. „Abstrakt neuvádí" je plnohodnotná a důležitá odpověď.

Čísla pod lupou

U studie, na které stojí rozhodnutí (Janin sirup, Martinův suplement), stojí za to jít o vrstvu hloub — právě sem patří přepočet relativního na absolutní a otázka, jestli je efekt vůbec prakticky významný:

Zůstaň u studie PMID [číslo]. Teď jen čísla, pomalu a polopatě:
1. Jaký byl výsledek v KONTROLNÍ skupině a jaký v INTERVENČNÍ?
   Uveď obě čísla vedle sebe, ne jen rozdíl.
2. Přepočítej efekt na absolutní vyjádření: „Ze 100 dětí, které
   sirup braly, se X vyhnulo jedné infekci navíc" nebo podobně.
   Pokud to z abstraktu nejde spočítat, řekni to.
3. Statistická vs. praktická významnost: i kdyby byl výsledek
   statisticky průkazný, je ten rozdíl velký natolik, aby ho
   člověk v běžném životě poznal? Srovnej s něčím hmatatelným.
4. Interval spolehlivosti, pokud je uveden: co nejhoršího
   a nejlepšího je s daty slučitelné? Vysvětli mi to na tomhle
   konkrétním případě, žádná učebnicová definice.
Jsem laik — každé číslo doprovoď větou, co znamená pro rozhodnutí
„koupit/nekoupit", ale samotné rozhodnutí nech na mně.

Bod 3 je perla, kterou vám žádný titulek nedá. „Statisticky významné" znamená jen „nejspíš to není náhoda" — neříká nic o tom, jestli je efekt velký. Zkrácení rýmy o šest hodin může být statisticky průkazné a prakticky bezcenné; u velkých vzorků vyjde průkazně i titěrný rozdíl. Otázka „poznal bych to?" vrací čísla na zem.

Co studie neříká

Třetí prompt fáze 3 je krátký a je to moje nejoblíbenější otázka v celém návodu — protože přesně v mezeře mezi „co studie říká" a „co se z ní tvrdí" žije skoro všechen zdravotní marketing:

Mám tvrzení: [původní tvrzení z reklamy/e-mailu/Instagramu].
Mám studii PMID [číslo], kterou jsme rozebrali.
Postav je proti sobě do dvou sloupců:
- Co přesně tvrdí reklama/příspěvek
- Co přesně ukázala studie
A pak vypiš VŠECHNY skoky, které mezi nimi jsou. Typicky:
jiná populace (dospělí vs. děti), jiná dávka nebo forma, jiný
měřený výsledek (krevní ukazatel vs. skutečná nemoc), jiná délka,
souvislost vydávaná za příčinu, jeden výsledek z mnoha měřených.
Ke každému skoku napiš, jak velký problém to je: kosmetický
rozdíl / podstatný rozdíl / tvrzení stojí na vodě.

U Janina sirupu vypadl z tohohle promptu celý verdikt: studie měřila hladinu jednoho krevního ukazatele u čtyřiceti dospělých po dobu tří týdnů — reklama slibuje méně nemocí a lepší soustředění u dětí. Mezi tím jsou čtyři skoky a každý sám o sobě by stačil. „Klinicky prokázáno" tedy technicky nelže: nějaká klinická studie existuje. Jen neprokazuje to, co si pod tím větou představí rodič. Přesně tohle je gramotnost, kterou se tu učíte — a všimněte si, že jsme k ní nepotřebovali žádné lékařské vzdělání, jen správné otázky ve správném pořadí.

Plný text: kdy se vyplatí

U většiny rodinných ověření abstrakt stačí. Plný text (když je v PMC dostupný — konektor ho v době psaní umí načíst) sáhněte ve třech případech: když se rozhoduje o penězích a abstrakt je nejednoznačný; když potřebujete tabulku všech měřených výsledků (kvůli cherry-pickingu); a když vás zajímá sekce limitations, kde autoři sami přiznávají slabiny — bývá překvapivě upřímná a v abstraktu z ní zbude půl věty. Ptát se pak můžete stejnými prompty, jen s bohatším materiálem. A když plný text není? Nezoufejte a poctivě si do registru zapište „hodnoceno z abstraktu" — u verdiktu na rodinné úrovni to skoro vždycky stačí, jen to o tom vědomí stojí za zaznamenání.

Malý slovník vědecké mluvy

Ještě jedna dovednost do fáze 3, drobná a nenápadně mocná: číst míru jistoty ve formulacích. Vědecká angličtina má jemně odstupňovaný slovník opatrnosti a překlady titulků ho systematicky zplošťují — všechno se přeloží jako „vědci zjistili". Tady je převodník těch nejčastějších obratů; AI je při překladu abstraktu zachová, když o to řeknete (a instrukce projektu z dřívějška to říkají):

• „Is associated with" (souvisí s) — nejčastější a nejčastěji překrucovaný obrat. Znamená korelaci, nic víc. Titulek z toho udělá „způsobuje" a právě jste přišli o nejdůležitější informaci abstraktu.
• „May/might contribute to" (může přispívat k) — dvojitá opatrnost: možná, a nanejvýš přispívá. Autoři sami říkají, že jde o hypotézu.
• „Suggests" (naznačuje) — data ukazují směr, ale neunesou závěr. Poctivé slovo, ze kterého tiskové zprávy dělají „prokazuje".
• „In a murine model / in vitro" — myši, respektive buňky. Kdykoli tohle vidíte, celé tvrzení se týká laboratoře, ne lidí.
• „Statistically significant" (statisticky významné) — „nejspíš to není náhoda". Neříká, že je efekt velký ani důležitý; na to je otázka praktické významnosti z promptu o číslech.
• „No significant difference" (bez významného rozdílu) — studie rozdíl nenašla. Pozor na obě strany: neznamená to „prokázáno, že není rozdíl" (možná byl vzorek malý), ale rozhodně to není maličkost, kterou lze při citování studie vynechat — a přesně to se děje.
• „Well tolerated" (dobře snášeno) — údaj o tom, že účastníci látku snesli, ne že funguje. V marketingu se s oblibou vydává za důkaz účinku.
• „Further research is needed" (je potřeba další výzkum) — rituální závěr skoro každé studie, ale nese informaci: sami autoři nepovažují otázku za uzavřenou. Když tuhle větu obsahuje studie, kterou reklama cituje jako definitivní důkaz, máte rozpor černý na bílém.

Dobrý trik na osvojení: u příštích tří ověření si nechte v překladu abstraktu tyhle obraty zvýraznit a přeložit doslova. Po třetí studii je začnete vidět sami — a s nimi i propast mezi tím, co studie opatrně naznačují, a čím se pak mává v diskuzích.

Fáze 4: hierarchie důkazů — proč metaanalýza přebíjí kazuistiku

Ne všechny studie jsou si rovné a věda na to má žebřík, kterému se říká hierarchie důkazů. Není to dogma — špatně udělaná metaanalýza je horší než výborná kohortová studie — ale jako první orientace funguje spolehlivě: čím výš na žebříku, tím hůř se výsledek dá vysvětlit náhodou, zkreslením nebo přáním autorů. Tady je celý žebřík s lidským vysvětlením:

Tři poznámky, které z tabulky nejsou vidět a dělají rozdíl mezi mechanickým a chytrým používáním žebříku.

Zaprvé: žebřík se čte spolu s otázkou. Na otázku „způsobuje X u lidí Y?" je RCT král. Ale RCT nejde udělat vždycky — nikdo nebude třicet let randomizovat lidi ke kouření. U otázek o dlouhodobých rizicích jsou velké kohortové studie to nejlepší, co kdy mít budeme, a je fér je tak brát. Naopak u doplňku stravy, který jde snadno testovat proti placebu, je absence RCT výmluvná: kdyby efekt existoval a výrobci si věřili, studie by byla.

Zadruhé: metaanalýza je tak dobrá, jak dobré studie shrnuje. Metaanalýza deseti malých mizerných studií je mizerná se vznešeným názvem — říká se tomu „garbage in, garbage out". Proto se i u metaanalýzy ptejte: kolik studií, kolik účastníků celkem, jak kvalitní vstupy (dobré přehledy kvalitu vstupů samy hodnotí a píšou o tom).

Zatřetí: jedna úroveň navíc přebíjí hromadu úrovní níž. Tisíc kazuistik nedá dohromady jednu RCT. Tenhle princip je protijed na argument „ale existuje TOLIK studií!" — otázka nikdy nezní kolik, ale jakých.

Zařazení s AI

V praxi žebřík nepoužíváte ručně — je to prompt, který navazuje na fázi 3:

Pro studie, které jsme k tvrzení [tvrzení] našli (PMID: [seznam]),
udělej tabulku hierarchie důkazů:
| studie | typ | úroveň na žebříku | vzorek | délka | populace | financování |
Pod tabulku napiš:
1. Jaká je NEJVYŠŠÍ úroveň důkazu, kterou tvrzení má? (jedna věta)
2. Co na žebříku chybí — a je to podezřelé? (např. látka se prodává
   20 let, snadno by se testovala proti placebu, a RCT neexistuje)
3. Kdyby tvrzení platilo v síle, v jaké se prodává, jak by
   krajina důkazů vypadala? Srovnej s realitou.
U typu studie se opírej o abstrakt a metadata, ne o dojem —
pokud typ není jasný, napiš „nejasné z abstraktu".

Bod 2 a 3 jsou verze slavné otázky „kde je pes zakopaný": u skutečně účinných věcí krajina důkazů časem houstne směrem nahoru (od myší k RCT a přehledům), u marketingových se roky recykluje pár prací dole. Když látka existuje dvacet let a nejvyšší důkaz je pořád observační studie se stovkou lidí, něco to znamená.

Rychlá kalibrace: kolik důkazů „stačí"

Poslední prompt fáze 4 pomáhá s otázkou, kterou si položí každý: dobře, a co z toho? Odpověď závisí na tom, co je v sázce — a tenhle rámec je užitečné mít explicitně:

Shrň sílu důkazů pro tvrzení [tvrzení] podle toho, co jsme našli,
a pak ji nasvěť třemi různými prahy nároků:
1. „Zajímavé ke sledování" — stačil by konzistentní signál
   z observačních studií. Splňuje?
2. „Utratil bych za to peníze" — chtěl bych aspoň jednu solidní
   RCT na populaci podobné té mojí. Splňuje?
3. „Změnil bych kvůli tomu chování dlouhodobě" — chtěl bych
   přehled/metaanalýzu nebo víc nezávislých RCT. Splňuje?
Ke každému prahu jedna věta proč ano/ne. Připomínám: nejde
o léčbu ani o rady — jde o kalibraci, jak silné důkazy mám,
vůči tomu, co bych na jejich základě dělal. Rozhodnutí je moje
a u čehokoli zdravotního patří konzultace lékaři.

Tohle je zároveň jemná, ale důležitá pointa: neexistuje jedna odpověď na „je to dokázané?" — existuje odpověď „na co to stačí". Na zvědavost stačí málo, na peněženku víc, na změnu životosprávy hodně a na cokoli, co se týká léčby, nestačí žádná vaše rešerše — tam je práh jménem lékař. Když se tenhle rámec naučíte, přestanou vás rozčilovat věčné mediální kotrmelce „káva prospívá/škodí": většinou jde o observační signály poskakující kolem prahu 1, které titulky prezentují, jako by přeskočily práh 3.

Fáze 5: konsenzus, protiargumenty — a jak nedovolit AI přitakávat

Jedna studie není věda; věda je rozhovor tisíců studií, které se opravují a doplňují. Titulek stojí skoro vždy na jedné práci — vy chcete vědět, co říká rozhovor jako celek. A zároveň tady číhá past přímo v nástroji, který používáte: jazykové modely mají zabudovaný sklon souhlasit. Když se zeptáte „viď, že ten detox je nesmysl?", dostanete horlivé přitakání; když se táž otázka položí „viď, že detox funguje?", dostane tazatel vstřícnější odpověď taky. Model zrcadlí vaše ladění — a při ověřování je tohle smrtelné, protože si jen dražším způsobem potvrdíte, co jste si mysleli.

Obrana má tři vrstvy: neutrální formulace otázek (ptát se „co říkají důkazy o X", ne „viď, že X"), explicitní vyžádání protiargumentů (v instrukcích projektu už to máme, ale u důležitých verdiktů to chtějte zvlášť) a oddělení rolí — nechat AI jednou argumentovat pro a jednou proti, jako u soudu. Tady jsou všechny tři v akci.

Advokát protistrany

Než uzavřete verdikt, nechte ho napadnout. Tenhle prompt použijte na každé ověření, kde vám na výsledku záleží — a schválně na verdikt, ke kterému se kloníte vy:

K tvrzení [tvrzení] se po dosavadní rešerši kloním k verdiktu:
[váš pracovní verdikt, např. „slabé důkazy, spíš marketing"].

Teď buď advokát protistrany. Tvůj úkol je můj verdikt rozbít:
1. Najdi přes PubMed konektor nejsilnější studie, které mluví
   PROTI mému verdiktu. Ne slámové panáky — to nejlepší, co
   druhá strana má. S PMID.
2. Vypiš slabiny mé dosavadní rešerše: co jsem mohl přehlédnout,
   jakou populaci nebo formulaci jsem nezohlednil, kde jsem
   možná sklouzl k potvrzování vlastního názoru.
3. Za jakých okolností by měl pravdu ten, kdo tvrzení šíří?
   Formuluj nejsilnější poctivou verzi jeho pozice (steelman).
Na konci NEpiš smířlivé „obě strany mají kus pravdy" — napiš,
jestli tvé protiargumenty můj verdikt reálně ohrožují, nebo ne,
a proč.

Poslední instrukce je důležitá dvakrát. Bez ní model po skvělé kritice často otočí do bezzubého „je to složité" — a vy potřebujete vědět, jestli kritika verdikt potopila, poškrábala, nebo se odrazila. A pokud advokát protistrany skutečně najde silnou RCT, kterou jste minuli, je to nejlepší možný výsledek: registr dostane lepší verdikt, než by měl bez něj. Prohrát spor sám se sebou je levné; prohrát ho před babičkou drahé.

Je to konsenzus, nebo osamocený výkřik?

Druhý krok: zjistit, kde vaše nálezy stojí vůči zbytku pole. Konektor umí od každé studie najít související práce — a to je přesně nástroj na otázku „souhlasí s tím ostatní?":

Vezmi klíčovou studii našeho ověření (PMID [číslo]) a zmapuj
její okolí:
1. Najdi související články a novější práce na stejnou otázku.
   Replikoval výsledek někdo nezávislý? S PMID.
2. Existují studie se stejnou otázkou a OPAČNÝM výsledkem?
   Aktivně je hledej — formuluj dotaz tak, aby je našel
   (např. „no effect", „failed to replicate" a podobné obraty).
3. Zmiňují novější přehledy tuhle studii? A jak s ní nakládají —
   jako s oporou, nebo s výhradami?
4. Verdikt o pozici: je tahle studie součást proudu (víc
   nezávislých týmů, podobné výsledky), nebo osamocený výkřik
   (jedna skupina, nikdo nereplikoval, přehledy ji ignorují)?
Pokud jsou nálezy smíšené, popiš, PODLE ČEHO se dělí — to bývá
informativnější než skóre 3:2.

Bod 2 stojí za podtržení: studie s negativním výsledkem se hůř publikují a hůř hledají (publikační bias, víc o něm v sekci limitů), takže je potřeba hledat aktivně a jinými slovy, než jakými se hledají pozitivní nálezy. A překlad bodu 4 do životní praxe: na jedné studii nikdy nestojí rozumné rozhodnutí — na jedné studii stojí titulky. Když někdo argumentuje „ale TAHLE studie ukázala…", správná odpověď není hádat se o tu studii, ale zeptat se, co ukázaly ostatní.

Kontrola pozadí: retrakce a střety zájmů

Poslední kontrola před verdiktem je rychlá a občas dramaticky výnosná. Studie se někdy stahují (retrakce) — kvůli chybám, i kvůli podvodům — a stažená studie klidně dál koluje po internetu jako důkaz; nejslavnější zdravotní hoaxy stojí právě na stažených pracích. A střet zájmů, o kterém jsme mluvili v úvodu, se u konkrétní práce dá zkontrolovat cíleně:

Pro klíčové studie našeho ověření (PMID: [seznam]) udělej
kontrolu pozadí:
1. Není některá z nich stažena (retracted) nebo opatřena
   varováním/opravou (correction, expression of concern)?
   Zkontroluj v metadatech záznamu; pokud to z konektoru
   nejde poznat, řekni mi to a poraď, kde to ověřím ručně.
2. Kdo studie financoval a jaké střety zájmů autoři deklarují?
   Cituj, co je v záznamu; kde údaj chybí, napiš „neuvedeno".
3. Publikoval tým hlavního autora k tématu nápadně mnoho
   podobných prací? (jedna skupina umí vytvořit dojem
   konsenzu sama se sebou)
Nic z toho samo o sobě studii nediskvalifikuje — vypiš nálezy
neutrálně a označ, které stojí za zmínku v registru.

Formulace „pokud to z konektoru nejde poznat, řekni mi to" tam není náhodou. Schopnosti konektoru se vyvíjejí a je lepší dostat poctivé „tohle ověřit neumím, podívejte se na web časopisu nebo na Retraction Watch" než sebejistou odpověď vycucanou z prstu. Obecně platí, že nejužitečnější věta, kterou můžete od AI při ověřování slyšet, je „nevím" — a prompty v celém návodu jsou psané tak, aby ji model směl říct.

Tím je ověřovací práce hotová. Máte rozklad tvrzení, mapu literatury, přeložené klíčové studie, jejich místo na žebříku důkazů, otestovaný verdikt a kontrolu pozadí. Celé to — po pár opakováních, až si postup sedne — zabere u běžného tvrzení dvacet až čtyřicet minut. Zbývá to nejcennější: aby ta půlhodina nezmizela v historii chatu.

Fáze 6: registr ověřených tvrzení — živý dokument místo věčného googlení

Tady se návod láme z „jak ověřit tvrzení" na „jak z toho udělat návyk". Bez téhle fáze jste udělali dobrou jednorázovou rešerši — a za půl roku, až teta pošle tentýž detox v novém obalu, začnete od nuly, protože závěry leží kdesi v historii chatů. S touhle fází máte registr ověřených tvrzení: jeden markdown soubor, který je pamětí rodiny. Je to tentýž princip „jednoho zdroje pravdy", na kterém firemní návod staví brand voice — jen aktivum tady není tón značky, ale to, co jste si dali práci zjistit.

Proč obyčejný markdown soubor, a ne nástěnka, appka nebo poznámky v telefonu? Ze stejných důvodů jako u brand voice: je to prostý text, který přežije jakýkoli nástroj; jde verzovat a sdílet; a hlavně ho umí číst AI — nahrajete ho do Projektu a každé nové ověření začíná tím, co už víte. Kde soubor žije, je na vás: sdílený disk rodiny, poznámková aplikace, klidně git repozitář, pokud je vám blízký. Důležité je jediné: existuje jedna verze a všichni vědí kde.

Struktura záznamu

Formát si samozřejmě přizpůsobíte, ale tenhle se osvědčil — každé tvrzení je jedna sekce s pevnými poli:

# Registr ověřených tvrzení — naše rodina

## Sirup XY „na imunitu a soustředění dětí"
- **Tvrzení:** extrakt v sirupu snižuje nemocnost a zlepšuje
  soustředění dětí školního věku
- **Verdikt:** nepodložené (marketing předbíhá důkazy)
- **Síla důkazů:** 1 malá RCT na dospělých (n=40, 3 týdny,
  financoval výrobce), měřila krevní ukazatel, ne nemocnost;
  o dětech ani soustředění žádná studie
- **Skoky mezi studií a reklamou:** dospělí→děti, krevní
  ukazatel→nemocnost, 3 týdny→trvalé užívání
- **Ověřeno:** 2026-08-16 (z abstraktu; plný text za paywallem)
- **Zdroje:** PMID 12345678; hledáno i „extract X children
  respiratory" — bez nálezu
- **Znovu otevřít, když:** vyjde RCT na dětech, nebo přehled
- **Poznámka pro rodinu:** neškodný, ale kupujeme naději;
  o synově nemocnosti mluvit s pediatrem, ne s e-shopem

Všimněte si tří polí, která nejsou samozřejmá. „Síla důkazů" není známka, ale věta — za rok si z ní vybavíte celé ověření. „Znovu otevřít, když" dělá z registru živý dokument: verdikt není rozsudek navěky, ale stav poznání k datu, s podmínkou, kdy ho přehodnotit. A „Poznámka pro rodinu" je překlad do praktického jazyka — právě ji přečtete nahlas u nedělního oběda. K verdiktům používejte stálou škálu, ať jsou záznamy srovnatelné; osvědčila se pětistupňová: podpořeno silnými důkazy — smíšené/nejisté — slabé důkazy — nepodložené — vyvráceno. Plus zvláštní kategorie „nelze posoudit z dostupného" pro případy paywallů a chybějící literatury.

Zápis jedním promptem

Ruční přepisování by návyk zabilo — proto zápis dělá AI ze závěru ověřovacího chatu:

Ověření je hotové. Vytvoř záznam do registru tvrzení přesně
v téhle markdown struktuře: [vložit šablonu, nebo ji máš
v instrukcích projektu].
Pravidla:
- Verdikt vyber z naší škály (podpořeno silnými důkazy /
  smíšené / slabé důkazy / nepodložené / vyvráceno / nelze
  posoudit) a zdůvodni ho jednou větou v poli síla důkazů.
- Do zdrojů dej všechna PMID, se kterými jsme pracovali,
  a stručně i to, co jsme hledali a NEnašli.
- Pole „znovu otevřít, když" formuluj konkrétně — jaký typ
  studie nebo události by verdikt změnil.
- Poznámku pro rodinu napiš normální řečí, bez odborných slov,
  max dvě věty, žádné zdravotní doporučení — jen co víme
  o důkazech.
Vrať čistý markdown k vložení do souboru, nic okolo.

Záznam si přečtěte, než ho vložíte — je to vaše jméno pod verdiktem, ne modelu. Nejčastější oprava: verdikt bývá o stupeň přísnější nebo mírnější, než odpovídá vaší škále, protože model škálu interpretuje po svém; srovnejte s předchozími záznamy. Aktualizovaný soubor pak nahrajte do Projektu (nahrazujte starou verzi, ať v něm nežijí dvě) — od té chvíle každý nový chat ví, co už rodina ověřila, a umí odpovědět na „tohle už jsme někdy řešili?".

Návrat k tématu: editovatelnost v praxi

Za rok přijde totéž tvrzení znovu — nový výrobek, stejný extrakt. Bez registru: hodina práce znovu. S registrem:

V registru (máš ho v projektu) máme záznam „Sirup XY". Narazil
jsem na nový výrobek se stejným extraktem a tvrzením: [vložit].
1. Řekni mi, co jsme tehdy zjistili a s jakým verdiktem —
   stručně, vlastními slovy záznamu.
2. Zkontroluj přes PubMed konektor, co k tématu přibylo od data
   ověření [datum]. Zajímají mě hlavně studie, které naplňují
   podmínku „znovu otevřít, když" ze záznamu.
3. Pokud nic podstatného nepřibylo, navrhni jen aktualizaci data
   kontroly. Pokud přibylo, projdeme to znovu od fáze 3
   a záznam přepíšeme.

Tohle je editovatelnost, kvůli které celý registr existuje: nová studie nepřepisuje vaši hlavu ani nespouští paniku — změní jeden řádek v souboru, s datem a důvodem. A dvojnásob to platí pro nepříjemný, ale poctivý případ: když nová velká studie ukáže, že váš starý verdikt byl špatně. Registr, ve kterém je vidět „2025: slabé důkazy → 2026: podpořeno, vyšla velká RCT", není selhání — je to přesně to, jak vypadá poctivé poznání. Mimochodem, tímhle se váš rodinný dokument liší od řetězových e-mailů nejvíc: umí změnit názor.

Rutina: registr se hlídá sám

Poslední krok dělá z dokumentu systém. Claude umí plánované úlohy — konverzace, které se spouštějí samy podle rozvrhu. Jednou za čtvrt roku nechte projít registr:

Čtvrtletní revize registru tvrzení (soubor máš v projektu):
1. Projdi všechny záznamy a u každého zkontroluj přes PubMed
   konektor pole „znovu otevřít, když" — přibylo od data
   ověření něco, co podmínku naplňuje?
2. Vrať tabulku: tvrzení | verdikt | beze změny / K REVIZI
   | proč.
3. U položek K REVIZI přidej PMID nových prací a jednu větu,
   co mění.
Nic v registru sám nepřepisuj — soubor edituju já po kontrole.
Pokud je všechno beze změny, stačí jedna věta a datum.

Poslední pravidlo za zmínku: do registru zapisuje člověk, ne agent. Není to technická nutnost, je to pojistka kvality — verdikty, které nikdo nečte, degradují. Pět minut nad čtvrtletní tabulkou je celá údržba; srovnejte s alternativou, kterou je věčné „už si nepamatuju, co jsme tehdy našli".

Případová studie: Věřin e-mail od začátku do konce

Fáze jsme probrali po jedné; teď je poskládejme dohromady na druhé modelové situaci, ať je vidět, jak málo času celek reálně stojí. Věřin řetězový e-mail tvrdil, že běžná potravina „prokazatelně způsobuje rakovinu — vědci to zjistili, sdílejte, než to smažou". Takhle vypadal Janin večer, s minutami u každého kroku.

Minuta 0–3: předletová kontrola. Prompt z úvodní sekce rozebral text e-mailu: emočně nabitá slova, nulové zdroje, klasický apel na cenzuru („než to smažou"), a hlavně — tvrzení míchá dvě různé věci: že látka vznikající při určité úpravě potraviny je karcinogenní v laboratoři, a že běžná konzumace potraviny způsobuje rakovinu u lidí. To jsou dvě různé otázky s velmi různými odpověďmi; přesně tenhle druh slepení dělá z hoaxů tak odolné soupeře, protože půlka je technicky pravda.

Minuta 3–8: inventura a otázky. PICO rozklad (prompt z fáze 1 pro tvrzení bez zdroje) vrátil dvě otázky: existují doklady o karcinogenitě látky X — u koho a v jakých dávkách? A: souvisí konzumace potraviny s výskytem rakoviny u lidí v běžných množstvích? Plus anglická klíčová slova pro obě.

Minuta 8–18: hledání shora. Konektor našel k první otázce laboratorní a zvířecí studie (vysoké dávky, izolovaná látka) a k druhé — což je typické u letitých hoaxů — několik velkých kohortových studií a metaanalýzu, které souvislost s rakovinou u lidí v běžné konzumaci nenacházejí. Mapa důkazů měla výmluvný tvar: dole (buňky, zvířata) rušno, nahoře (velké studie na lidech) klid. Titulek si vzal suterén a vydával ho za celý dům.

Minuta 18–25: čtení a hierarchie. Překlad abstraktu metaanalýzy potvrdil detail, který stojí za zapamatování: zvířecí studie pracovaly s dávkami, které by u člověka odpovídaly konzumaci zcela mimo realitu. Ne „trochu víc" — řádově mimo. Věta „dávka dělá jed" je stará, ale hierarchická tabulka jí dala čísla.

Minuta 25–30: protistrana a verdikt. Advokát protistrany (fáze 5) odvedl svou práci: našel reálnou nuanci — u jedné specifické úpravy potraviny existuje doporučení příjem nepřehánět, opřené o princip předběžné opatrnosti, ne o prokázané riziko. To do registru patří, protože to je to racionální jádro, které Věřin e-mail nafoukl do „způsobuje rakovinu". Verdikt: vyvráceno v té podobě, v jaké se tvrdí; racionální jádro: opatrnost u [konkrétní úprava], bez dokladu rizika při běžné konzumaci. Zápis do registru, pole „znovu otevřít, když: vyjde velká prospektivní studie s opačným nálezem", hotovo.

Třicet minut, a rozdíl proti googlení není jen v čase: Jana teď má odpověď, kterou umí obhájit větu po větě, zapsanou tak, že ji za dva roky (až hoax přijde v novém kabátě) najde za deset vteřin — a má i to racionální jádro, které jí v neděli u oběda umožní mámě neříct „je to blbost", ale „víš, že na tom kousek pravdy je? Pojď, ukážu ti, co jsem našla."

Zkrácená verze pro všední den

Ne každé tvrzení unese třicet minut a šest fází — a je lepší mít poctivou zkratku než žádné ověření. Pro tvrzení s nízkými sázkami (nejde o peníze ani o rozhodnutí, jen chcete vědět, na čem jste) se šest fází dá slisovat do jednoho promptu. Vědomě tím obětujete hloubku — u čehokoli důležitého se vraťte k plnému postupu:

Rychlé ověření s PubMed konektorem — celé v jednom kroku, ale
poctivě. Tvrzení: [vložit tvrzení a odkud je].
1. Přepiš tvrzení na jednu ověřitelnou otázku (kdo, co, proti
   čemu, jaký výsledek).
2. Najdi nejvyšší dostupnou úroveň důkazů: nejdřív přehledy
   a metaanalýzy, pak RCT, pak zbytek. Max 5 prací, s PMID.
3. Shrň, co říkají — čísly, absolutně, včetně toho, co nevyšlo.
4. Aktivně zmiň nejsilnější nález PROTI tomu, k čemu se závěr
   kloní.
5. Verdikt na škále: podpořeno silnými důkazy / smíšené / slabé
   / nepodložené / vyvráceno / nelze posoudit — plus jedna věta
   proč a jedna věta, co by verdikt změnilo.
Označ výslovně vše, co je z abstraktů vs. plných textů, a co
je tvůj úsudek vs. obsah studií. Bez PMID nic netvrď. A pokud
se otázka týká léčby nebo příznaků, zastav se a odkaž mě
na lékaře.

Výstup zabere na přečtení dvě minuty a pro kategorii „kamarád u piva tvrdí" bohatě stačí. Jen dvě disciplíny: i bleskové ověření si zaslouží řádek v registru (stačí zkrácený), a když verdikt vyjde překvapivý nebo těsný, je to signál přepnout na plný postup — zkratka je na třídění, ne na spory.

Jak mluvit s blízkými, kteří tomu věří

Teď to těžší než rešerše. Jana má fakta o mámině řetězovém e-mailu — a fakta jsou při rozhovoru s blízkým člověkem překvapivě málo. Výzkum přesvědčování i obyčejná zkušenost říkají totéž: lidé nemění názor, když prohrávají spor; mění ho, když neztrácejí tvář. Kdo přijde s „mami, to je hoax, tady máš studie", vyhraje výměnu argumentů a prohraje vztah i věc — příště se e-maily prostě přestanou přeposílat jemu, ne šířit.

Funguje jiný postup, kterému se říká technika mostu. Má tři kroky. První: společný břeh. Začnete tím, co sdílíte — „jsem rád, že se o zdraví zajímáš; taky nechci, abychom jedli něco škodlivého". Není to manipulační vata: je to pravda a mění to rozhovor z „já versus ty" na „my versus otázka". Druhý: uznání racionálního jádra. Skoro každý hoax má racionální jádro — nedůvěru v reklamu, špatnou zkušenost s odbytým lékařem, skutečnou historickou kauzu, kdy „oficiální místa" neměla pravdu. Uznejte ho nahlas: „máš pravdu, že výrobcům se nedá věřit všechno — přesně proto jsem se do toho podíval hlouběji." Třetí: most k důkazům — jako pozvánka, ne poprava. „Našel jsem, odkud to tvrzení původně je, chceš to vidět? Je to docela detektivka." Nabízíte společné pátrání a necháváte druhému možnost dojít k závěru sám; to je jediný závěr, který vydrží.

A jedna zásada navíc, specificky rodinná: vybírejte si bitvy. Neškodný rituál, na kterém babičce záleží a nic nestojí, možná nepotřebuje verdikt z registru — potřebuje pokývání hlavou. Registr je na tvrzení, která stojí peníze, strach nebo zdraví. Kdo opravuje všechno, toho nikdo neposlouchá, až půjde o něco vážného.

Příprava rozhovoru

AI tu pomáhá dvakrát: připravit formulace a natrénovat průběh. Nejdřív příprava — a všimněte si, že vstupem je záznam z registru, takže neděláte nic dvakrát:

Chystám se mluvit s [mámou / kamarádem / bratrem] o tvrzení
z našeho registru: [vložit záznam]. Ten člověk tvrzení věří,
sdílí ho a je to pro něj spojené s [obavou o zdraví / nedůvěrou
k lékařům / dobrou zkušeností — popsat, co za vírou nejspíš je].

Připrav mi rozhovor technikou mostu:
1. Společný břeh: 2 věty, kterými začnu — co s ním upřímně sdílím.
2. Racionální jádro jeho pozice: co na jeho postoji JE rozumné
   a jak to uznat nahlas, bez ironie.
3. Most: jak nabídnout, co jsem našel, jako společné pátrání —
   včetně jedné konkrétní zajímavosti z ověření, která funguje
   jako příběh, ne jako poučování (např. odkud tvrzení pochází).
4. Tři věty, kterým se vyhnout, protože zavřou dveře.
5. Záložní plán: jak rozhovor důstojně ukončit, když se zasekne
   — cíl není vyhrát dnes, ale nechat dveře otevřené.
Piš to mým jazykem, žádné psychologické poučky.

Bod 5 podtrhuji: u zakořeněných přesvědčení je realistický cíl „zasadit pochybnost a zůstat člověkem, se kterým se o tom dá mluvit". Názory, kterým člověk věřil roky, se nemění za jeden oběd — a to je v pořádku. Jana s mámou nakonec neřešila studie: ukázala jí, jak si tvrzení samy vyhledaly, a máma si od té doby občas řekne „hele, najdeme si to". To je vítězství, žádné jiné nebude.

Nácvik nanečisto

Druhá pomoc je trénink — nechte AI hrát druhou stranu, dřív než to zkusíte naostro:

Zahraj si se mnou rozhovor nanečisto. Ty jsi [moje máma, 68 let,
věří tvrzení X, protože — vložit kontext; má nedůvěru k reklamě
i k „oficiálním" informacím, je chytrá a nemá ráda poučování].
Já zkusím techniku mostu.
Pravidla:
- Reaguj realisticky, ne karikaturně: máš dobré protiargumenty
  („na internetu si každý najde svoje", „lékaři taky nic nevědí").
- Když sklouznu k poučování, ironii nebo přehlcení fakty,
  reaguj tak, jak by reagovala ona — a pak mi mimo roli krátce
  napiš, kde jsem uhnul.
- Po max 10 výměnách rozhovor ukonči a dej mi zpětnou vazbu:
  co fungovalo, co ne, jednu věc, kterou příště udělat jinak.

Deset minut téhle simulace ušetří hodně nedělních obědů. Typické zjištění z prvního kola: mluvíte moc dlouho. V reálném rozhovoru máte na každou repliku pár vět, ne odstavec — a simulace vás to naučí dřív, než to zjistíte na mámě.

Kdy to nechat být a jít za lékařem

Tahle sekce je krátká záměrně — má být nepřehlédnutelná, ne dlouhá. Celý návod se pohybuje na území informací: co říkají studie o tvrzeních z reklam a řetězových e-mailů. Existuje ostrá hranice, za kterou tohle území končí, a je potřeba ji znát nazpaměť.

Za hranicí je všechno, co se týká konkrétního zdraví konkrétního člověka. Příznaky, které někoho trápí. Rozhodování o léčbě. Nasazení, změna nebo vysazení jakéhokoli léku — i „jen bylinek", protože doplňky se s léky ovlivňují. Diagnózy a jejich interpretace. Zdraví dětí a těhotných dvojnásob. V žádné z těchhle situací není odpovědí rešerše — odpovědí je lékař, který zná kontext, nese odpovědnost a může vyšetřit. AI nemá ani jedno z toho a PubMed už vůbec ne; třicet minut s konektorem z vás udělá poučenějšího pacienta, ne lékaře.

Prakticky to znamená dvě věci. Zaprvé, poznat moment zlomu: jakmile se přistihnete, že rešerší odkládáte návštěvu ordinace nebo v ní hledáte odvahu něco vysadit, zavřete chat a objednejte se — to není selhání metody, to JE metoda. Zadruhé, využít rešerši správně: jako přípravu otázek. „Pane doktore, četla jsem, že k extraktu X neexistují studie na dětech — je něco, co byste na podporu imunity doporučil vy?" je řádově lepší rozhovor než mlčení i než vytištěný e-mail. Lékaři se s dobře připraveným pacientem mluví líp, ne hůř — rozdíl je v tom, jestli přicházíte s otázkami, nebo s hotovými závěry.

A ještě jedna situace, kdy to nechat být: když vás téma začne pohlcovat. Kontrola každého jídla proti studiím není gramotnost, je to úzkost s citacemi. Registr má rodině šetřit pozornost, ne ji spotřebovávat — když ověřování přestane být občasným nástrojem a stane se denní potřebou, je to samo o sobě téma na rozhovor, případně i s odborníkem.

Limity: co vám PubMed a AI nedají

Poctivý návod musí říct i to, co postup neumí — a nejen kvůli fér hře: kdo zná limity nástroje, používá ho líp a nedá se zaskočit námitkou, kterou už slyšel.

Paywally. Už padlo, ale patří to sem znovu: plné texty zdarma jsou v době psaní jen u části literatury (PubMed Central), zbytek je za předplatnými, která dávají smysl institucím, ne rodinám. Praktické důsledky: pracujete hlavně s abstrakty (a poctivě to zapisujete), preferujete otevřeně dostupné přehledy a smíříte se s tím, že občas narazíte na studii, kterou byste chtěli číst celou a nejde to. Neuchylujte se k pirátským knihovnám a nechtějte po AI, ať paywall „nějak obejde" — kromě jiného proto, že text „sehnaný jinudy" nemusí odpovídat finální verzi.

Publikační bias. Literatura, kterou prohledáváte, není nestranný vzorek reality: studie s pozitivním nálezem se publikují ochotněji než ty, kde „nevyšlo nic". Znamená to, že souhrn literatury je systematicky optimističtější než skutečnost — a u témat, kde existuje pár malých pozitivních studií, je na místě ptát se, kolik negativních zůstalo v šuplíku. Dobré metaanalýzy se s tím snaží počítat (testují asymetrii nálezů) a vy s tím počítejte kalibrací: malý efekt z malých studií reálně bývá ještě menší.

Angličtina a hranice databáze. PubMed je anglocentrická databáze biomedicíny. Práce publikované v jiných jazycích v ní často nejsou nebo mají jen anglický abstrakt — což pro běžná zdravotní tvrzení skoro nevadí (velká věda dnes publikuje anglicky), ale znamená to, že „v PubMedu nic není" neznamená „nikde nic není". A obráceně: PubMed nepokrývá všechno vědění — psychologie, výživa na pomezí zemědělství nebo sportovní věda mají část literatury jinde. Pro rodinné účely je PubMed nejlepší jedna volba; jen z něj nedělejte definici existence.

Čerstvé výsledky a preprinty. Mezi provedením studie a jejím záznamem v databázi je zpoždění; nejčerstvější práce kolují jako preprinty — verze bez recenzního řízení. Když AI narazí na preprint, berte ho jako „ještě neprošlo kontrolou": zajímavé, do registru zapsatelné, ale s výslovnou poznámkou a nižší vahou.

AI si vymýšlí — pořád. Konektor problém halucinovaných citací razantně zmenšuje, protože model místo vzpomínání skutečně hledá. Nezmenšuje ho ale na nulu: model může špatně shrnout pravou studii, smíchat dvě dohromady nebo do souhrnu přimíchat „obecné znalosti". Pravidla obrany jsou v návodu rozesetá, tady pohromadě: každé tvrzení chtít s PMID; namátkou rozklikávat (PMID zadáte na webu PubMedu do vyhledávání a abstrakt si přečtete sami — u klíčových studií to udělejte vždy); a chtít oddělené „co říká studie" od „co k tomu dodáváš ty". Je to tentýž princip, kterým se na tomhle webu řídí ověřování jakýchkoli faktů z AI — u zdraví jen s nulovou tolerancí.

Čas a pozornost. Nakonec ten nejpoctivější limit: tenhle postup není zadarmo — stojí půlhodinu na tvrzení a trochu disciplíny s registrem. Proto poslední pravidlo kalibrace: neověřujte všechno. Ověřujte, co stojí peníze, strach nebo rozhodnutí. Na zbytek stačí zdravý reflex „titulek není studie" — který po pár ověřeních získáte tak jako tak.

Nejčastější chyby

• Ptát se AI na verdikt místo na důkazy. „Funguje kolagen?" vrátí sebejistou esej bez jediného ověřitelného zdroje. Správná otázka zní „co říkají studie a jaké" — a každá odpověď má mít PMID, které jde rozkliknout.
• Spokojit se s první studií, která potvrzuje. Na skoro cokoli existuje aspoň jedna slabá studie „pro". Bez kroku „najdi nejsilnější práce proti" (fáze 5) není ověření — je to jen dražší forma potvrzení vlastního názoru.
• Přeskočit rozklad tvrzení. Kdo hledá „je kurkuma zdravá", utopí se. Pět minut s PICO otázkou (kdo, co, proti čemu, jaký výsledek) rozhoduje o tom, jestli zbytek půlhodiny k něčemu bude.
• Číst závěry místo metod a čísel. Conclusions píšou autoři o svém dítěti. Skutečný obsah studie je v tom, kdo byl zkoumán, co se měřilo a co vyšlo v číslech — včetně toho, co nevyšlo.
• Nechat závěry v historii chatu. Bez zápisu do registru se za půl roku všechno dělá znovu. Ověření končí záznamem — tvrzení, verdikt, síla důkazů, datum, zdroje — jinak nebylo.
• Sklouznout z gramotnosti do samoléčby. Ve chvíli, kdy rešerše začne nahrazovat návštěvu lékaře nebo zdůvodňovat změny v užívání léků, přestala být gramotností. Hranice z předminulé sekce platí vždycky a pro všechny v rodině.

Nejlepší nástroje

• PubMed konektor pro Claude — jádro celého workflow: hledání studií, abstrakty a metadata, plné texty z PMC, související články, dohledání citací a převod identifikátorů. V době psaní zdarma v adresáři konektorů.
• Projekty na claude.ai — trvalý kontext: instrukce s pravidly ověřování (protiargumenty, PMID povinně, žádné zdravotní rady) a nahraný registr, díky kterému každý chat ví, co už jste ověřili.
• Registr v markdownu — obyčejný textový soubor na sdíleném místě rodiny. Nulová technologie, maximální trvanlivost; jediný skutečně nenahraditelný kus celého systému, protože je váš.
• Plánované úlohy Claude — čtvrtletní revize registru: projít pole „znovu otevřít, když", zkontrolovat novinky v literatuře a vrátit tabulku k rozhodnutí. AI hlídá, člověk edituje.
• Hloubková rešerše — pro velká témata, kde chcete místo dialogu jeden důkladný elaborát s citacemi; postup ukazuje návod na rešerši.
• Web PubMedu (pubmed.ncbi.nlm.nih.gov) — na namátkové kontroly: PMID z chatu vložíte do vyhledávání a vidíte abstrakt na vlastní oči. Důvěřuj, ale prověřuj platí i pro konektor.

Co vám to přinese

• Čas: místo hodinového googlení pěti protichůdných článků dvacet až čtyřicet minut strukturované práce — a u opakovaných témat minuty, protože registr si pamatuje. Rodinné debaty o „té studii z internetu" se zkrátí na přečtení jednoho záznamu.
• Peníze: doplňky a kúry, u kterých důkazy končí u myší nebo u studie výrobce, přestanou téct do košíku ze strachu a naděje. Jedna neuskutečněná objednávka „zázraku" zaplatí celý čas strávený s tímhle návodem.
• Klid: děsivé titulky ztrácejí moc, když umíte za dvacet minut zjistit, co za nimi je — a většinou zjistíte, že observační studie s titěrným absolutním rizikem. A rodinné neshody o hoaxech se mění z hádek na společné pátrání.
• Kvalita: rozhodnutí — nákupní i ta, se kterými jdete k lékaři — stojí na nejlepších dostupných důkazech místo na posledním sdíleném titulku. A děti, které tenhle postup okoukají, získávají návyk, který jim žádná škola takhle prakticky nedá.

Pro tip

Až vám postup přejde do ruky, otočte ho: nečekejte na tvrzení, které přijde zvenku, ale jednou za čas si nechte „vyčistit" vlastní hlavu. Každý z nás nosí zdravotní přesvědčení, která kdysi odněkud přišla a nikdy neprošla kontrolou — od „po večeři se nemá plavat" po zaručené rodinné pravdy o vitamínech. Sedněte si s partnerem nebo dětmi, sepište deset věcí, kterým o zdraví věříte a nevíte proč, a proběhněte je fázemi 1 až 6 jako cokoli jiného. Bývá to nejzábavnější použití celého návodu — a registr se rázem zaplní tvrzeními, která rodina skutečně žije, ne jen těmi, která zrovna přišla e-mailem.

A závěrečné pravidlo, které drží celý text pohromadě: titulek je tip, studie je stopa, konsenzus je odpověď — a u vlastního zdraví je odpovědí lékař. Všechno ostatní v tomhle návodu jsou jen řemeslné kroky, jak se od titulku ke konsenzu dostat, nezabloudit cestou a příště už ji znát.