A veces basta con explicar mejor lo que ya se ha hecho. Otras veces hay que revisar la estrategia estadística, volver a trabajar con la base de datos o modificar parte de las conclusiones.
Lo importante es identificar qué problema ha detectado el revisor y determinar cómo resolverlo sin comprometer la coherencia metodológica del estudio.
1. Antes de ejecutar otro análisis, entiende qué está pidiendo el revisor
Imaginemos que recibes este comentario:
«The authors should perform a multivariate analysis to account for potential confounding factors».
Una reacción habitual sería abrir el software estadístico y empezar a introducir variables en una regresión.
Pero todavía faltan decisiones importantes.
¿Qué variable resultado se quiere analizar? ¿Qué factores podrían actuar como confusores? ¿Qué tipo de modelo corresponde al diseño? ¿La muestra permite estimarlo con suficiente precisión?
Además, conviene aclarar una cuestión terminológica: un análisis multivariable incluye varios predictores para estudiar una variable resultado, mientras que un análisis multivariante, en sentido estricto, analiza varias variables resultado conjuntamente.
Aunque ambos términos se confunden con frecuencia, no describen exactamente lo mismo.
En los comentarios de revisión es frecuente encontrar el término multivariate cuando en realidad se está solicitando un modelo multivariable, con varios predictores para una única variable resultado. Por eso, antes de realizar el análisis, conviene interpretar la petición en función del objetivo del estudio. No es necesario corregir expresamente la terminología del revisor; lo importante es describir con precisión en el manuscrito qué modelo se ha utilizado y qué pregunta responde.
En este ejemplo, probablemente el revisor esté solicitando estimaciones ajustadas por posibles factores de confusión. Antes de decidir cómo obtenerlas, hay que revisar el objetivo del estudio y la relación entre las variables.
No siempre hace falta realizar un análisis nuevo. Puede ocurrir que el ajuste ya se haya efectuado, pero que la descripción de los métodos o la presentación de los resultados no permitan identificarlo.
Si el manuscrito procede de una tesis, revisar qué debe incluir el análisis estadístico de una tesis doctoral puede ayudarte a comprobar la coherencia entre objetivos, métodos y resultados antes de responder.
Por eso, el primer paso es traducir cada comentario en una acción concreta.
| Comentario del revisor | Qué conviene comprobar | Posible respuesta |
|---|---|---|
| «Justifiquen la prueba estadística utilizada» | Diseño, variables, supuestos y objetivo | Ampliar la explicación metodológica |
| «Realicen un análisis ajustado» | Confusores, muestra y modelo adecuado | Revisar la estrategia de ajuste |
| «Expliquen cómo trataron los datos perdidos» | Magnitud, patrones y método utilizado | Aclarar o revisar el tratamiento |
| «Comprueben la robustez de los resultados» | Decisiones que podrían modificar las conclusiones | Realizar un análisis de sensibilidad justificado |
| «Los resultados no respaldan las conclusiones» | Magnitud, precisión y límites del diseño | Revisar la interpretación |
Esta clasificación evita realizar análisis innecesarios y ayuda a responder exactamente a la cuestión planteada.
2. No todos los análisis que solicita un revisor son viables
Que una revista solicite un análisis no significa que los datos permitan realizarlo adecuadamente.
Pensemos en un estudio clínico con 150 pacientes, de los cuales 12 han presentado la complicación que queremos investigar.
El revisor solicita una regresión logística ajustada por edad, sexo, comorbilidades, tratamiento y gravedad inicial.
El problema no es que la regresión logística sea una técnica incorrecta. El problema es que el número de eventos puede ser insuficiente para estimar con estabilidad un modelo con tantos parámetros.
Podrían aparecer estimaciones muy imprecisas, intervalos de confianza amplios, separación o sobreajuste.
Tampoco sería adecuado aplicar automáticamente la antigua regla de diez eventos por parámetro y asumir que cumplirla garantiza un modelo válido.
La viabilidad depende de la complejidad del modelo, la información disponible, la distribución de las variables y el objetivo del análisis.
En una situación así, las alternativas podrían incluir simplificar el modelo cuando exista justificación científica, considerar métodos de estimación apropiados para datos escasos, como la regresión logística con corrección de Firth, o explicar por qué no puede realizarse un ajuste fiable.
La regresión penalizada puede resultar útil ante determinados problemas de estimación, como la separación, pero no compensa por sí sola una falta importante de información.
La decisión debe tomarse antes de conocer qué alternativa produce el resultado más favorable.
¿Cómo responder cuando el modelo solicitado no es viable?
Supongamos que, después de revisar la base y las alternativas, se concluye que el modelo completo solicitado no puede estimarse con suficiente fiabilidad.
Comentario del revisor:
«The authors should perform a multivariable logistic regression to identify independent predictors of postoperative complications».
Respuesta de los autores:
«Agradecemos al revisor esta observación. Hemos evaluado la viabilidad de realizar el análisis multivariable solicitado. Sin embargo, únicamente se registraron 12 eventos, lo que limita considerablemente la información disponible para estimar un modelo con los predictores propuestos.
Tras valorar la complejidad del modelo y la información disponible, consideramos que ajustar simultáneamente por los cinco factores propuestos podría producir estimaciones inestables. Como alternativa, hemos evaluado un modelo reducido que incluye únicamente la gravedad inicial, seleccionada a priori por su relevancia clínica. Presentamos sus resultados como exploratorios, teniendo en cuenta la limitada cantidad de eventos y la incertidumbre de las estimaciones.
Hemos incorporado esta limitación a la discusión (página X, líneas XX–XX) y revisado las conclusiones para evitar interpretaciones que los datos no permiten sostener».
Ejemplo ficticio. La decisión de utilizar un modelo reducido debe fundamentarse en una evaluación específica del estudio. El número de eventos, por sí solo, no determina automáticamente que todo modelo sea inviable.
Esta respuesta no garantiza que el revisor acepte la justificación, pero permite explicar una decisión metodológica de forma transparente.
3. Antes de repetir el análisis, revisa la base y los resultados originales
Cuando se solicita un nuevo análisis, no siempre es suficiente recuperar el archivo de datos y ejecutar otra prueba.
Conviene comprobar que se está trabajando con la misma población analítica utilizada en el manuscrito original.
Por ejemplo, si el artículo describe 210 pacientes, pero el nuevo modelo utiliza 187, debe quedar claro por qué se han excluido 23.
¿Faltan datos en alguna covariable? ¿Se ha aplicado un filtro? ¿Existen exclusiones adicionales? ¿El análisis original utilizó una población diferente?
Estas diferencias pueden ser justificables, pero deben documentarse.
También es importante revisar las codificaciones, las variables derivadas y los criterios utilizados en los análisis originales.
En estudios longitudinales hay que comprobar además los momentos de seguimiento, la estructura de las mediciones y la disponibilidad de datos de cada participante.
Una revisión estadística puede revelar problemas que no estaban directamente relacionados con el comentario del revisor, pero que afectan a la coherencia de los resultados.
4. Si añades un análisis, explica qué aporta al estudio
Un análisis adicional no debería incorporarse únicamente porque lo ha solicitado la revista.
Debe tener una finalidad identificable.
Imaginemos que un estudio observacional encuentra una asociación entre un tratamiento y una mejor evolución funcional. El revisor solicita ajustar por edad y gravedad basal.
El análisis original muestra una diferencia media de 8 puntos entre los grupos. Después del ajuste, la diferencia estimada se reduce a 3 puntos y su intervalo de confianza incluye el valor nulo.
¿Qué significa?
No significa automáticamente que el análisis original estuviera mal ni que el tratamiento no tenga efecto.
Un intervalo de confianza que incluye el valor nulo tampoco equivale a ausencia de efecto: puede seguir siendo compatible con diferencias clínicamente relevantes. Del mismo modo, pasar de un valor p significativo a otro no significativo no demuestra que las dos estimaciones sean distintas entre sí. Para interpretar el cambio hay que examinar las estimaciones, su precisión y las diferencias metodológicas entre ambos análisis, no únicamente a qué lado del umbral de 0,05 se sitúa cada resultado.
Significa que la asociación estimada cambia al considerar determinadas características de los pacientes. Habrá que examinar la precisión, la pertinencia del ajuste, la posible confusión y las limitaciones del diseño.
El nuevo resultado puede obligar a modificar la discusión y a moderar las conclusiones.
5. ¿Qué ocurre si el nuevo análisis contradice los resultados originales?
Es una situación que puede generar preocupación, especialmente cuando el manuscrito ya ha pasado por una primera evaluación editorial.
Pero encontrar resultados diferentes no implica necesariamente que se haya cometido un error.
Las diferencias pueden deberse a cambios en la población analizada, incorporación de covariables, modificaciones en la definición de las variables, supuestos distintos o métodos estadísticos que responden a preguntas diferentes.
Lo importante es identificar el origen de esas diferencias.
Por ejemplo, si una asociación desaparece después de ajustar por factores de confusión relevantes, no sería adecuado conservar la conclusión original sin explicar el cambio.
También conviene distinguir entre un análisis de sensibilidad y un análisis que modifica la pregunta de investigación.
Un análisis de sensibilidad evalúa hasta qué punto las conclusiones dependen de determinadas decisiones o supuestos. No consiste simplemente en repetir pruebas hasta encontrar resultados coincidentes.
Si los nuevos resultados modifican la interpretación, el manuscrito debe reflejarlo con claridad.
6. Los cambios no terminan cuando obtienes una tabla nueva
Este es uno de los puntos que más atención merece durante una revisión.
Imaginemos que el análisis original mostraba una asociación estadísticamente significativa y que, después de incorporar un ajuste solicitado por el revisor, la estimación cambia.
Se actualiza la tabla de resultados, pero en el resumen continúa apareciendo la cifra anterior. En la discusión se sigue hablando de un factor independiente y la conclusión mantiene una afirmación que ya no está respaldada por el nuevo modelo.
Aunque el análisis esté correctamente realizado, el manuscrito contiene contradicciones.
Por eso, cada modificación estadística debería acompañarse de una revisión de todas las secciones afectadas.
Para comprobar que el manuscrito describe lo necesario, consulta la guía correspondiente al diseño en EQUATOR Network. En estudios observacionales de cohortes, casos y controles o transversales, STROBE ayuda a revisar la información que debe comunicarse. Las recomendaciones SAMPL se centran en la presentación de métodos y resultados estadísticos. Estas guías apoyan la comunicación transparente; no sustituyen la evaluación metodológica del estudio.
| Sección | Qué revisar |
|---|---|
| Resumen | Cifras, estimaciones y conclusiones principales |
| Métodos | Población analítica, variables, modelos y supuestos |
| Resultados | Nuevas estimaciones, intervalos y denominadores |
| Tablas y figuras | Coherencia con el análisis actualizado |
| Discusión | Interpretación de los nuevos hallazgos |
| Limitaciones | Restricciones que afectan a la interpretación |
| Conclusiones | Correspondencia con la evidencia presentada |
| Material suplementario | Modelos adicionales y análisis de sensibilidad |
También es recomendable conservar los scripts o la sintaxis utilizados, identificar la versión de la base de datos y mantener un registro de los cambios realizados.
La reproducibilidad facilita tanto la revisión editorial como futuras comprobaciones.
7. Cómo redactar una respuesta estadística al revisor
La carta de respuesta no debería limitarse a agradecer los comentarios y afirmar que se han realizado los cambios.
El revisor necesita saber qué decisión se ha tomado, por qué y dónde puede comprobarla.
Veamos otro ejemplo.
Comentario del revisor:
«Please clarify how missing data were handled and whether they could have influenced the results».
Respuesta insuficiente:
«Agradecemos el comentario. Hemos aclarado el tratamiento de los datos perdidos en el apartado de métodos».
Respuesta más completa:
«Agradecemos al revisor esta observación. Hemos revisado y descrito la magnitud de los datos perdidos para las variables incluidas en el análisis principal.
El porcentaje de información ausente fue del X % para la variable A y del X % para la variable B. Hemos precisado el procedimiento utilizado para el análisis y los supuestos necesarios para su interpretación.
Además, hemos incorporado una discusión sobre la posible influencia de los datos perdidos en las estimaciones obtenidas y las limitaciones de la estrategia aplicada.
Los cambios se encuentran en el apartado de métodos (página X, líneas XX–XX) y en la discusión (página X, líneas XX–XX)».
Ejemplo de estructura: los porcentajes, procedimientos y comprobaciones deben sustituirse por los realmente realizados. No deben declararse análisis que no se hayan efectuado.
Una buena respuesta permite reconstruir el razonamiento metodológico sin obligar al revisor a buscar qué ha cambiado entre versiones.
No es necesario responder siempre con textos extensos. Lo importante es que la contestación sea precisa y verificable.
8. Errores frecuentes al responder a revisores
Hay decisiones que pueden complicar una revisión incluso cuando la intención es mejorar el manuscrito:
- Añadir covariables solo porque presentan asociaciones significativas en el análisis univariante. El ajuste debe responder a una estrategia fundamentada en el objetivo y el conocimiento del problema.
- Cambiar de prueba hasta conseguir un valor p inferior a 0,05. La selección del método debe justificarse por el diseño y los datos, no por el resultado obtenido.
- Interpretar un resultado no significativo como ausencia de efecto o equivalencia. La estimación y su precisión son esenciales para interpretar el hallazgo.
- Presentar análisis exploratorios como si estuvieran previstos desde el inicio. Es necesario distinguir entre análisis preespecificados y decisiones posteriores.
- Incorporar un modelo sin revisar sus supuestos ni su estabilidad. Ejecutar una regresión no garantiza que sus estimaciones sean fiables.
- Modificar una tabla y olvidar actualizar el resto del artículo. La coherencia entre métodos, resultados y conclusiones debe comprobarse antes de reenviar el manuscrito.
9. Cuándo conviene solicitar una revisión bioestadística
No todos los comentarios editoriales requieren rehacer el análisis.
Si el revisor solicita aclarar una prueba correctamente aplicada, puede ser suficiente mejorar la redacción del apartado de métodos.
Sin embargo, cuando solicita nuevos modelos, cuestiona el ajuste por factores de confusión, señala problemas de datos perdidos o considera que las conclusiones no están respaldadas por los resultados, puede ser necesario revisar la estrategia estadística completa.
En estas situaciones, el trabajo no consiste únicamente en ejecutar una prueba adicional.
Hay que comprender el comentario, revisar qué permiten los datos, decidir cómo responder y comprobar que el manuscrito mantiene su coherencia después de introducir los cambios.
“Su ayuda en el análisis estadístico ha sido fundamental para publicar artículos de buena calidad. Para mi grupo de investigación, Vanesa ha sido un tremendo aporte.”