1
Evaluación Inicial
Relevancia, novedad y primera impresión del manuscrito
El manuscrito aborda una pregunta de investigación de gran relevancia clínica y traslacional: si los perfiles basales de ácidos grasos de cadena corta (SCFA) producidos por el microbioma intestinal pueden predecir la respuesta glucémica individual a la ingesta de fibra. El diseño como ECA doble ciego (n=142) es apropiado para la pregunta. Sin embargo, el claim principal —que el perfil basal predice el 68% de la varianza glucémica (R²=0.68)— resulta extraordinariamente elevado para un modelo biológico de este tipo, y suscita preguntas serias sobre sobreajuste, validación interna, y la generalización de las conclusiones a poblaciones distintas.
📍 Área: Nutrición clínica · Microbioma intestinal · Nutrigenómica
📍 Guías aplicables: CONSORT 2010
📍 Destino: J. Nutritional Biochemistry (IF 6.1)
2
Revisión Sección por Sección
Evaluación detallada de cada componente del manuscrito
| Sección | Evaluación | Veredicto |
|---|---|---|
| Título | Informativo y específico. Incluye correctamente el tipo de estudio (RCT). Sin embargo, el término "personalizado" en el título anticipa una conclusión (modelo predictivo clínico) que el estudio no valida prospectivamente. | Revisar |
| Abstract | Estructura correcta (Objetivos · Métodos · Resultados · Conclusiones). El R²=0.68 se reporta sin intervalos de confianza. Las limitaciones del estudio están ausentes. Conclusiones levemente oversold ("enables personalized nutrition"). | Revisar |
| Introducción | Revisión de literatura sólida y actualizada (hasta 2025). La hipótesis está claramente formulada. La motivación clínica del problema (variabilidad glucémica inter-individual) está bien argumentada. Podría incluir más contexto sobre limitaciones de estudios previos con microbioma y glucemia. | Aceptable |
| Métodos | El diseño ECA con doble ciego está correctamente descrito. Se describen los procedimientos de secuenciación 16S rRNA y GC-MS para SCFA. Problema crítico: no se especifica la plataforma de secuenciación, la región hipervariable (V3-V4 vs. V4), ni las versiones del pipeline bioinformático (QIIME2, DADA2, bases de datos taxonómicas). El cálculo de potencia estadística no está descrito. La estrategia de imputación para datos faltantes (dropout ~12%) no se menciona. | Insuficiente |
| Resultados | Los resultados primarios (AUC glucémica, HbA1c) se presentan con correctas estadísticas descriptivas. El modelo predictivo de 5 SCFA se presenta sólo con R²; faltan coeficientes de regresión, valores p individuales por predictor, e intervalos de confianza. La Figura 3 (correlaciones SCFA-glucemia) no especifica si los ejes son valores brutos o transformaciones. | Revisar |
| Discusión | El texto discute adecuadamente el mecanismo propionato-gluconeogénesis hepática. Sin embargo, las conclusiones sobre el modelo predictivo se extrapolan más allá de lo que el diseño del estudio permite: el modelo no fue validado externamente ni mediante cross-validation anidada. Las limitaciones (sección específica) son escasas y poco detalladas. | Revisar |
| Referencias | 142 referencias, formato Vancouver correcto. Cobertura de literatura reciente adecuada. Presencia de 19 autocitas (13% del total): dentro del rango aceptable, pero varios de esos artículos son de los mismos autores en contextos distintos; revisar pertinencia. | Aceptable |
3
Rigor Metodológico y Estadístico
Análisis técnico del diseño experimental y los análisis cuantitativos
MC1
Ausencia de análisis de potencia y justificación del tamaño muestral
Sección Métodos · §2.3
El manuscrito no incluye ningún cálculo de potencia estadística que justifique n=142. En estudios de intervención con variable primaria continua (AUC glucémica), la potencia debe calcularse a priori y reportarse explícitamente. Sin este dato, es imposible determinar si el estudio está adecuadamente dimensionado para detectar la diferencia clínicamente relevante establecida a priori.
Solución requerida
Proporcionar el cálculo de potencia con: (a) diferencia media mínima detectable (MCID) en AUC-glucémica, (b) desviación estándar esperada basada en literatura previa, (c) nivel α y potencia objetivo. Si el estudio era exploratorio, indicarlo explícitamente y ajustar el lenguaje de las conclusiones.
MC2
R²=0.68 sin validación del modelo predictivo — riesgo de sobreajuste
Resultados · §3.4 · Figura 4
El modelo de regresión múltiple con 5 predictores SCFA sobre n=142 observaciones reporta R²=0.68. Con 5 predictores en ~142 sujetos (ratio ~28:1), el ajuste parece plausible, pero el R² se reporta sin corregir (R² ajustado no se menciona). Más crítico: no se realizó ninguna validación interna (bootstrap, cross-validation k-fold o leave-one-out), ni hay una curva de calibración o C-statistic. En modelos predictivos multivariantes este paso es obligatorio según las guías TRIPOD.
Solución requerida
(1) Reportar R² ajustado. (2) Realizar validación interna mediante 10-fold cross-validation anidada. (3) Reportar C-statistic y curva de calibración. (4) Cumplir checklist TRIPOD para modelos de predicción multivariante (anexar como Material Suplementario). Sin estos análisis, la afirmación "predicts 68% of variance" no puede sustentarse.
MC3
Corrección para comparaciones múltiples ausente en análisis secundarios
Resultados · §3.3 · Tabla 3
La Tabla 3 reporta correlaciones entre 17 taxones microbianos y glucemia postprandial, con múltiples pruebas p individuales sin corrección por comparaciones múltiples (Bonferroni, FDR-BH, o permutaciones). Este análisis post-hoc exploratorio se presenta como confirmatorio, lo cual infla gravemente la tasa de falsos positivos.
Solución requerida
Aplicar corrección FDR (Benjamini-Hochberg) o Bonferroni-Holm a todos los tests múltiples en análisis secundarios. Recategorizar estos resultados como exploratorios y eliminar afirmaciones confirmatorias sobre taxones específicos.
4
Reproducibilidad y Transparencia
Datos abiertos, código, materiales y estándares CONSORT
❌ CONSORT 2010 — checklist no adjuntado
❌ Código bioinformático — no disponible públicamente
❌ Datos de secuenciación — sin número de acceso (EBI/NCBI SRA)
✅ Protocolo ensayo — registrado en ClinicalTrials.gov
✅ Datos de SCFA (GC-MS) — Tabla Suplementaria S1
⚠️ Versiones software — parcialmente descritas
❌ Pipeline QIIME2/DADA2 — parámetros no especificados
✅ Consentimiento informado — descrito, CEIC aprobado
MC4
Datos de secuenciación no depositados en repositorio público
Métodos · §2.5 · Disponibilidad de Datos
Los datos de secuenciación 16S rRNA son el insumo principal del análisis de microbioma. Sin un número de acceso en NCBI SRA o EBI ENA, la revisión y replicación independiente del estudio es imposible. Esto incumple la política de datos abiertos del JNB y de los NIH (si aplica financiación pública).
Solución requerida
Depositar los archivos FASTQ crudos en NCBI SRA (o EBI ENA) antes de la revisión final, e incluir el número de acceso en el manuscrito. El código de análisis debe depositarse en Zenodo o GitHub con identificador DOI permanente.
5
Calidad de Figuras y Presentación de Datos
Integridad visual, resolución, leyendas y representatividad
| Figura/Tabla | Evaluación | Veredicto |
|---|---|---|
| Fig. 1 CONSORT flowchart |
Presente y con formato correcto. Los motivos de exclusión están documentados. Las pérdidas de seguimiento (n=17) están claramente indicadas. | Correcto |
| Fig. 2 AUC glucémica por grupo |
Gráfico de violín apropiado. Error bars definidos (95% CI). Se sugiere agregar jitter overlay para visualizar distribución individual (n=142 sería manejable). Ejes tienen unidades (mmol/L·min). Accesible para daltonismo. | Aceptable |
| Fig. 3 Heatmap SCFA-microbioma |
El heatmap de correlaciones Spearman carece de barra de escala de colores. Las etiquetas de taxones en eje Y están en fuente 5pt (ilegible). La figura no es autoexplicativa (leyenda incompleta). | Revisar |
| Fig. 4 Modelo predictivo R² |
Gráfico observed-vs-predicted sin banda de confianza, sin línea de identidad, y sin R² ajustado. Ausencia de análisis de residuales (no confirmada distribución de errores). Requiere revisión sustancial. | Insuficiente |
| Tabla 2 Características basales |
Correctamente estructurada (media ± SD). Test de balance entre grupos incluido. Se recomienda agregar SMD (Standardized Mean Difference) como medida de balance en lugar de o junto a p-values. | Aceptable |
| Tabla 3 Correlaciones microbioma |
17 correlaciones sin corrección para comparaciones múltiples (ver MC3). Los p-values crudos sin FDR deben eliminarse o corregirse. | Insuficiente |
6
Consideraciones Éticas
Aprobación, consentimiento, privacidad y conflictos de interés
Checklist Ética de Investigación en Humanos
Aprobación CEIC documentada (Ref. CEIC-HSR-2023/142) — Hospital Virgen del Rocío
Consentimiento informado firmado descrito en Métodos §2.1
Ensayo registrado en ClinicalTrials.gov (NCT05124789) antes del reclutamiento
Fuentes de financiación declaradas (MINECO-AEI PID2023-112847NB-I00)
Conflictos de interés declarados (ausencia declarada por todos los autores)
Contribuciones de autoría (CRediT): presentes pero incompletas — falta especificar quién realizó el análisis estadístico
Datos de pacientes anonimizados conforme RGPD (verificado en Suplementario S4)
Nota del revisor: Los aspectos éticos del manuscrito son en general satisfactorios. El único punto que requiere atención es completar las contribuciones CRediT con la asignación explícita del análisis estadístico y la validación del modelo predictivo, dado que estos son los aspectos más controvertidos del trabajo.
7
Calidad de Escritura y Claridad
Organización, precisión del lenguaje y accesibilidad
mn1
Sobreuso de afirmaciones causales en Discusión
Discusión · §4.2 · párrafos 3-5
Frases como "propionate directly reduces hepatic glucose output" derivan de un ECA con mediciones indirectas. El diseño del estudio permite inferir asociaciones, no mecanismos directos.
Sugerencia
Reemplazar "directly reduces" por "was associated with reduced" o "may modulate". Agregar qualificador "in line with previous evidence from [ref]".mn2
Acrónimos no definidos en primera aparición
Abstract y Introducción
Los términos SCFA y GLP-1 se usan en el Abstract sin definición previa. Algunos acrónimos estadísticos (AUC, IQR) aparecen sin expansión.
Sugerencia
Definir todos los acrónimos en primera aparición, incluyendo en el Abstract como unidad independiente del texto principal.mn3
Inconsistencia en unidades de medida de SCFA
Tabla 2 · Tabla S1 · Fig. 3
Los SCFA se expresan en µmol/g en Tabla 2, en nmol/g en Tabla S1 y en mmol/L en Fig. 3. Esta inconsistencia impide la comparación directa y puede inducir error al lector.
Sugerencia
Estandarizar todas las unidades de SCFA a µmol/g de heces (convención más frecuente en literatura) en todo el manuscrito.mn4
Longitud del manuscrito: podría condensarse
Discusión §4.4-4.6
Los párrafos 4.4 a 4.6 repiten argumentos ya presentados en Introducción §1.3. La Discusión podría reducirse ~15% eliminando repeticiones.
Sugerencia
Revisar la Discusión con foco en síntesis, no reiteración. Límite de palabras de JNB para artículos originales: 6.000 palabras; el manuscrito actual tiene 7.200.Q1
¿Se realizó análisis de sensibilidad excluyendo los participantes con dropout?
Con un 12% de pérdidas de seguimiento (n=17), ¿los resultados primarios se basan en análisis ITT (Intention-To-Treat) o per-protocol? ¿Se realizó análisis de sensibilidad bajo el supuesto MCAR/MAR?
Respuesta necesaria para evaluación
Clarificar en Métodos y describir el análisis de sensibilidad, o justificar su omisión si se asumió pérdida completamente aleatoria (MCAR).Q2
¿Se controlaron los efectos del periodo o del orden en el diseño cruzado?
El manuscrito describe el diseño como ECA paralelo, pero §2.2 menciona "intervención cruzada" en una frase sin ampliar. ¿El diseño fue realmente crossover o paralelo? Si fue crossover, ¿se incluyó el período de lavado y se testó el carry-over effect?
Respuesta necesaria
Clarificar inequívocamente el diseño en §2.2, y si es crossover, añadir el análisis de carry-over en Métodos.Q3
¿El modelo predictivo de 5 SCFA se seleccionó prospectivamente o post-hoc?
El protocolo registrado en ClinicalTrials.gov especifica "perfil de SCFA basales" como variable secundaria, pero sin especificar cuáles 5 SCFA componen el modelo. ¿La selección de los 5 predictores fue predefinida o realizada mediante selección de variables sobre los datos observados (stepwise, lasso)?
Respuesta necesaria
Si la selección fue post-hoc, el modelo tiene un riesgo elevado de sobreajuste. Describir el proceso de selección y añadir validación interna rigurosa (ver MC2).★
Recomendación Editorial Final
Basada en la evaluación integral de las 7 etapas
Decisión recomendada al Editor
MAJOR REVISION — Revisiones Mayores Requeridas
El manuscrito aborda una pregunta relevante y novedosa con un diseño experimental adecuado, y los datos muestran un potencial real de contribución al campo de la nutrición de precisión. No obstante, los comentarios mayores MC1-MC4 —especialmente la ausencia de validación del modelo predictivo (MC2) y la falta de depósito de datos de secuenciación (MC4)— impiden la publicación en su forma actual. Si los autores pueden abordar satisfactoriamente los 5 comentarios mayores, el manuscrito revisado tendrá probabilidad razonable de aceptación.
Fortalezas clave
- Diseño ECA doble ciego apropiado para la pregunta
- Metodología GC-MS para cuantificación SCFA correctamente descrita
- Registro prospectivo en ClinicalTrials.gov
- Aprobación ética y consentimiento informado completos
- Introducción y contextualización teórica de alta calidad
- Variable primaria clínica relevante (AUC glucémica, HbA1c)
Debilidades críticas
- R²=0.68 sin validación interna — riesgo de sobreajuste no evaluado
- Ausencia de cálculo de potencia estadística a priori
- Comparaciones múltiples sin corrección (17 correlaciones)
- Datos de secuenciación sin depósito en repositorio público
- Pipeline bioinformático incompleto (región 16S, versiones, parámetros)
- Ambigüedad sobre diseño paralelo vs. crossover
MC5
Pipeline bioinformático incompleto — No reproducible
Métodos · §2.5 "Bioinformatic Analysis"
La descripción del pipeline 16S no incluye: región hipervariable secuenciada (V3-V4 vs. V4 vs. V1-V2), plataforma de secuenciación (Illumina MiSeq/NovaSeq, longitud de lectura), software y versión utilizada (QIIME2 v2023.5?, DADA2?), base de datos taxonómica (SILVA 138?, Greengenes2?), parámetros de filtrado de calidad (Phred threshold, min reads por muestra), y método de rarefacción o normalización (CSS, TSS). Sin esta información, el análisis de microbioma es completamente irreproducible.
Solución requerida
Expandir §2.5 con todos los parámetros listados. Alternativamente, depositar el código completo del pipeline en GitHub/Zenodo con un archivo README de ejecución paso a paso.