Los Modelos de Predicción de la Progresión en la Enfermedad Renal Crónica
Palabras clave:
factores de riesgo, modelos de progresión, enfermedad renal crónicaResumen
Introducción: En la ERC es necesario prevenir su progresión a través de la corrección de los factores de riesgo, el diagnóstico temprano y el tratamiento adecuado. Esto ha llevado a una necesidad insatisfecha de desarrollar modelos para utilizar en la práctica clínica. La predicción precisa de la progresión de la enfermedad renal crónica (ERC) es fundamental para guiar las decisiones clínicas, optimizar la asignación de recursos y mejorar los resultados de los pacientes. Objetivo: Analizar el valor de los modelos de progresión en la ERC y proporcionar evidencia de los impactos y riesgos subyacentes a su empleo. Posicionamiento del autor: Los modelos predictivos de progresión de la ERC han evolucionado a lo largo de los años, a medida que se ha avanzado en la comprensión de la fisiopatología de la enfermedad y se han desarrollado nuevas tecnologías y enfoques de investigación como el uso de datos genómicos, proteómicos y metobolómicos para mejorar la predicción; sin embargo su usabilidad actual es limitada y existen barreras metodológicas y de validación externa que dificultan su implementación generalizada. Persiste, en la mayoría de las propuestas, la inconsistencia y falta de validación externa que limita su aplicabilidad y generalización. Conclusiones: Se concluyó que a pesar de contar con una elevada gama de modelos predictivos con disímiles metodologías, es necesario continuar adaptando los mismos a los contextos locales teniendo en cuenta las limitaciones y condiciones concretas de los servicios.
Descargas
Los datos de descargas todavía no están disponibles.
Citas
1. Herrera V, R. Almaguer M, Chipi J, Martínez S, O. Toirac X, Castellano O, et al: Obesidad y Enfermedad Renal Crónica. Estudio Isla de la Juventud (ISYS). Cuba. [2007]
2. MSP: Prevención diagnóstico y tratamiento de la Enfermedad renal crónica. Guía de práctica clínica Quito Ecuador. 2018
3. Navarrete L, C. Predicción de progresión de enfermedad renal crónica en pacientes diabéticos por la fórmula Kidney Failure Risk Equation (KFRE) en población mexicana. [Tesis de especialidad en Medicina Interna]. México: Instituto Tecnológico y de Estudios Superiores de Monterrey; 2020.
4. Chan JCN, Zhang H, Chan WK. Predictive value of baseline CKD-EPI eGFR for progression to end-stage renal disease in type 2 diabetes patients. Diabetes Res Clin Pract. 2021;174:108754.doi:10.1016/j.diabres.2021.108754.
5. Y.. Hernández Hernándeza, V.. Barrio Lucia. ¿Se puede predecir la progresión de la enfermedad renal crónica con unos datos básicos demográficos y de laboratorio? Vol. 2. Núm. 4.agosto 2011. Suplemento Extrardinario de Nefrología Basada en la Evidencia, Páginas 7-76. DOI: 10.3265/NefrologiaSuplementoExtraordinario.pre 2011.Jul.11044
6. Jessica Ivonne Bravo Zuñiga, Percy Soto Becerra, Edgar Juan Coila Paricahua, Jorge Ricardo Chávez Gómez, et al. Recalibración del modelo KFRE de 4 variables para predecir falla renal en población adulta con enfermedad renal crónica de ESSALUD. Reporte de resultados de investigación 01-2024. Instituto de Evaluación de Tecnologías En Salud E Investigación.
7. Van den Brand JAJG, Dijkstra TMH, Wetzels J, Stengel B, Metzger M, Blankestijn PJ, et al. Predicting kidney failure from longitudinal kidney function trajectory: A comparison of models. PLoS ONE. 2019;14(5):e0216559
8. Hallan SI, Rifkin DE, Potok OA, Katz R, Langlo KA, Bansal N, et al. Implementing the European Renal Best Practice Guidelines suggests that prediction equations work well to differentiate risk of end-stage renal disease vs. death in older patients with low estimated glomerular filtration rate. Kidney Int. septiembre de 2019;96(3):728-37.
9. Bravo-Zúñiga J, Chávez-Gómez R, Soto-Becerra P. Multicentre external validation of the prognostic model kidney failure risk equation in patients with CKD stages 3 and 4 in Peru: a retrospective cohort study. BMJ Open. 1 de enero de 2024;14(1):e076217.
10. Lilia Susana Gallardo Vidala, , Adriana Jheny Rodríguez Méndezb, Mariana Burgos Ochoac, Martha Leticia Martínez Martínezb, Pablo García Solísa, et al. Utilidad de un modelo de predicción para la enfermedad renal crónica en una unidad de primer nivel de atención. Nefrololgía, Vol. 36. Núm. 2.marzo - abril 2016 Páginas 89-216. DOI: 10.1016/j.nefro.2015.10.010
11. David K E Lim1,*, James H Boyd1,2, Elizabeth Thomas1,3, Aron Chakera3,4, Sawitchaya Tippaya5, Ashley Irish6, et al. Prediction models used in the progression of chronic kidney disease: A scoping review. PLoS One. 26 de julio de 2022;17(7):e0271619. doi: 10.1371journal.pone.0271619
12. Tangri N, Inker LA, Hiebert B, Wong J, Naimark D, Kent D, et al. Un modelo predictivo dinámico para la progresión de la enfermedad renal crónica (ERC). Revista estadounidense de enfermedades renales: la revista oficial de la Fundación Nacional del Riñón. 2016;69(4):514–20. doi: 10.1053/j.ajkd.2016.07.030
13. Akbari A, Tangri N, Brown PA, Biyani M, Rhodes E, Kumar T, et al. Predicción de la progresión de la enfermedad renal poliquística mediante la ecuación de riesgo de insuficiencia renal y parámetros ecográficos. Revista Canadiense de Salud y Enfermedad Renal. 2020;7. doi: 10.1177/2054358120911274
14. ESCALONA GONZALEZ, Sergio Orlando y GONZALEZ MILAN, Zoraida Caridad. Inteligencia artificial en la predicción de mortalidad por enfermedad renal crónica. Anales de la ACC [online]. 2022, vol.12, n.3 [citado 2025-05-19]. Disponible en: <http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2304-01062022000300004 &lng=es &nrm=iso>. Epub 01-Nov-2022. ISSN 2304-0106.
15. S. Reddy, S Roy, KW Choy, S Sharma, KM Dwyer et al. Predicting chronic kidney disease progression using small pathology datasets and explainable machine learning models. Computer Methods and Programs in Biomedicine Update 6 (2024) 100160. https://doi.org/10.1016/j.cmpbup.2024.100160
16. T. Ferguson, P. Ravani, M.M. Sood, A. Clarke, P. Komenda, C. Rigatto, et al., Development and external validation of a machine learning model for progression of CKD, Kidney Int Rep 7 (8) (2022) 1772–1781.
17. J. Olczak, J. Pavlopoulos, J. Prijs, F.F.A. Ijpma, J.N. Doornberg, C. Lundstrom, et al., Presenting artificial intelligence, deep learning, and machine learning studies to clinicians and healthcare stakeholders: an introductory reference with a guideline and a Clinical AI Research (CAIR) checklist proposal, Acta Orthop 92 (5) (2021) 513–525.
18. S. Reddy, J. Fox, M.P. Purohit, Artificial intelligence-enabled healthcare delivery, J. R. Soc. Med. 112 (1) (2019) 22–28.
19. S. Reddy, Explainability and artificial intelligence in medicine, Lancet Digit Health 4 (4) (2022) e214–e2e5.
20. A. Ebbehoj, M. Thunbo, O.E. Andersen, M.V. Glindtvad, A. Hulman, Transfer learning for non-image data in clinical research: a scoping review, PLOS Digit Health 1 (2) (2022) e0000014.
21. L. Chan, G.N. Nadkarni, F. Fleming, J.R. McCullough, P. Connolly, G. Mosoyan, et al., Derivation and validation of a machine learning risk score using biomarker and electronic patient data to predict progression of diabetic kidney disease, Diabetologia 64 (7) (2021) 1504–1515.
22. Jialin Liu, Jinfa Wu, Siru Liu, Mengdie Li, Kunchang Hu, Ke Li. Predicting mortality of patients with acute kidney injury in the ICU using XGBoost model. PLoS One 4 de febrero de 2021;16(2):e0246306. doi: 10.1371/journal.pone.0246306
23. Lewis W. Prognostic factors in Chronic renal insufficiency. Quarterly Journal of Medicine; 1976. 521-532.
24. Herdman RB. Survival and the rate of Progression of chronic renal disease. Clinical Nephrology; 1983. 149- 154.
25. Vikas Ch, Saurabh P, B.B. Tiwari. Chronic Kidney Disease: A Predictive model using Decision Tree. International Journal of Engineering Research and Technology. ISSN 0974-3154 Volume 11, Number 11 (2018), pp. 1781-1794.
26. Gallagher DJ. Estimating the risk of end- stage renal disease in patients with chronic kidney disease. Nephron Clinical Practice; 2004. c1-c7.
27. Ministerio de Salud Pública. Programa de Prevención de la Insuficiencia Renal Crónica. La Habana: MINSAP; 1996 [citado 2021 Jun 27].
28. Documento de información y consenso para la detección y manejo de la enfermedad renal crónica. Nefrología. 2014; 34(2): 243-62.
29. Centro Nacional de Información de Ciencias Médicas. Biblioteca Médica Nacional. Enfermedades renales. Estadísticas mundiales. Factográfico de Salud. [internet] 2016 [citado 11/8/2019]; 2(2). Disponible en: http://files.sld.cu/bmn/files /2016/02/factográfico-de-salud-febrero-2016.pdf2
30. Pérez Oliva JF, Herrera R, Almaguer M, ¿Cómo mejorar el manejo de la enfermedad renal crónica? Consideraciones y recomendaciones prácticas. Rev Hab Cienc Med 2008; 7(1): 1-22. Disponible en: https://creativecommons.org/licenses/by/4.0 /deed.esES
31. Sánchez Lorenzo I, Leyva Feria Z, Sánchez Alborn N. Daño renal en pacientes hipertensos atendidos en el Hospital Provincial de las Tunas. 2016 [citado 11/4/2019];41(12). Disponible en: http://revzoilomarinello.sld.cu/index/index.php /zmv/article/vie
32. Giraldo-Castrillón Y, Arango C, Molina CF, Segura A. Usability of predictive models of kidney failure in chronic kidney disease: a scoping review. CES MEDICINA Septiembre - diciembre de 2022. DOI: 10.21615/cesmedicina.6987 ISSNe: 2215-9177 ISSN: 0120-8705
33. Collins, G. S., & Moons, K. G. M. (2019). Reporting of artificial intelligence prediction models. The Lancet Digital Health, 1(6), e244-e246.
34. Hussain T. Clinical Prediction models for chronic kidney disease progression: a systematic review and meta-analysis; 2020
35. Tangri N. SCORED: A Novel Risk Score for Predicting the Risk of Progression to End- Stage Renal Disease. American Journal of kidney disease; 2015. 472-479.
36. Tangri N. Aspirin use in patients with Chronic kidney disease: A review. The American Journal of Medical Sciences; 2019. 243-249.
37. Zhang J. Risk predition models for Chronic kidney disease in China : a systematic review. Journal of Renal Injury; 2020. 13-21.
38. Li X. Prediction for chronic kidney disease Progression using machine learning: A Review. Journal of healthcare engineering ; 2021.
39. Shaw JE. Risk factors for chronic kidney disease in Australia; 2022.
40. García JA. Prediction for chronic kidney disease Progression in Columbia; 2020.
41. Fitzmaurice GM. A new predition model for Chronic kidney disease Progression: a UK cohort study . Nephology Dialysis Transplantation; 2021. 1144-1152.
42. Ogunbiyi OA. Predition models for Chronic kidney disease in low-and- middle-income countries: a systematic review. International Journal of environmental research and public Health; 2022.
43. Tangri N, Kitsios GD, Inker LA, Griffith J, et al. Risk predition models for patients with chronic kidney disease in China : a systematic review. Annals of Internal Medicine 2013; 158(8):596- 603. [PubMed] Disponible en: https://www.ncbi.nlm.nih.gov/23588748/
44. Tangri N, Stevens PE, Griffith J, et al. A Predictive model for progression of chronic kidney disease: development and validation. Kidney Int. 2011;80(1):55-62.doi:10.1038/ki.2010.169.
45. Martínez U, D. Almudena B, Beloqui O, Huerta A. El índice neutrófilo/linfocito como marcador de disfunción sistémica endotelial en sujetos asintomáticos. [citado octubre 28, 2015]; On-line febrero 28, 2016; 36 (4): 397-403 Disponible en: https://www.revistanefrología.com.
2. MSP: Prevención diagnóstico y tratamiento de la Enfermedad renal crónica. Guía de práctica clínica Quito Ecuador. 2018
3. Navarrete L, C. Predicción de progresión de enfermedad renal crónica en pacientes diabéticos por la fórmula Kidney Failure Risk Equation (KFRE) en población mexicana. [Tesis de especialidad en Medicina Interna]. México: Instituto Tecnológico y de Estudios Superiores de Monterrey; 2020.
4. Chan JCN, Zhang H, Chan WK. Predictive value of baseline CKD-EPI eGFR for progression to end-stage renal disease in type 2 diabetes patients. Diabetes Res Clin Pract. 2021;174:108754.doi:10.1016/j.diabres.2021.108754.
5. Y.. Hernández Hernándeza, V.. Barrio Lucia. ¿Se puede predecir la progresión de la enfermedad renal crónica con unos datos básicos demográficos y de laboratorio? Vol. 2. Núm. 4.agosto 2011. Suplemento Extrardinario de Nefrología Basada en la Evidencia, Páginas 7-76. DOI: 10.3265/NefrologiaSuplementoExtraordinario.pre 2011.Jul.11044
6. Jessica Ivonne Bravo Zuñiga, Percy Soto Becerra, Edgar Juan Coila Paricahua, Jorge Ricardo Chávez Gómez, et al. Recalibración del modelo KFRE de 4 variables para predecir falla renal en población adulta con enfermedad renal crónica de ESSALUD. Reporte de resultados de investigación 01-2024. Instituto de Evaluación de Tecnologías En Salud E Investigación.
7. Van den Brand JAJG, Dijkstra TMH, Wetzels J, Stengel B, Metzger M, Blankestijn PJ, et al. Predicting kidney failure from longitudinal kidney function trajectory: A comparison of models. PLoS ONE. 2019;14(5):e0216559
8. Hallan SI, Rifkin DE, Potok OA, Katz R, Langlo KA, Bansal N, et al. Implementing the European Renal Best Practice Guidelines suggests that prediction equations work well to differentiate risk of end-stage renal disease vs. death in older patients with low estimated glomerular filtration rate. Kidney Int. septiembre de 2019;96(3):728-37.
9. Bravo-Zúñiga J, Chávez-Gómez R, Soto-Becerra P. Multicentre external validation of the prognostic model kidney failure risk equation in patients with CKD stages 3 and 4 in Peru: a retrospective cohort study. BMJ Open. 1 de enero de 2024;14(1):e076217.
10. Lilia Susana Gallardo Vidala, , Adriana Jheny Rodríguez Méndezb, Mariana Burgos Ochoac, Martha Leticia Martínez Martínezb, Pablo García Solísa, et al. Utilidad de un modelo de predicción para la enfermedad renal crónica en una unidad de primer nivel de atención. Nefrololgía, Vol. 36. Núm. 2.marzo - abril 2016 Páginas 89-216. DOI: 10.1016/j.nefro.2015.10.010
11. David K E Lim1,*, James H Boyd1,2, Elizabeth Thomas1,3, Aron Chakera3,4, Sawitchaya Tippaya5, Ashley Irish6, et al. Prediction models used in the progression of chronic kidney disease: A scoping review. PLoS One. 26 de julio de 2022;17(7):e0271619. doi: 10.1371journal.pone.0271619
12. Tangri N, Inker LA, Hiebert B, Wong J, Naimark D, Kent D, et al. Un modelo predictivo dinámico para la progresión de la enfermedad renal crónica (ERC). Revista estadounidense de enfermedades renales: la revista oficial de la Fundación Nacional del Riñón. 2016;69(4):514–20. doi: 10.1053/j.ajkd.2016.07.030
13. Akbari A, Tangri N, Brown PA, Biyani M, Rhodes E, Kumar T, et al. Predicción de la progresión de la enfermedad renal poliquística mediante la ecuación de riesgo de insuficiencia renal y parámetros ecográficos. Revista Canadiense de Salud y Enfermedad Renal. 2020;7. doi: 10.1177/2054358120911274
14. ESCALONA GONZALEZ, Sergio Orlando y GONZALEZ MILAN, Zoraida Caridad. Inteligencia artificial en la predicción de mortalidad por enfermedad renal crónica. Anales de la ACC [online]. 2022, vol.12, n.3 [citado 2025-05-19]. Disponible en: <http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S2304-01062022000300004 &lng=es &nrm=iso>. Epub 01-Nov-2022. ISSN 2304-0106.
15. S. Reddy, S Roy, KW Choy, S Sharma, KM Dwyer et al. Predicting chronic kidney disease progression using small pathology datasets and explainable machine learning models. Computer Methods and Programs in Biomedicine Update 6 (2024) 100160. https://doi.org/10.1016/j.cmpbup.2024.100160
16. T. Ferguson, P. Ravani, M.M. Sood, A. Clarke, P. Komenda, C. Rigatto, et al., Development and external validation of a machine learning model for progression of CKD, Kidney Int Rep 7 (8) (2022) 1772–1781.
17. J. Olczak, J. Pavlopoulos, J. Prijs, F.F.A. Ijpma, J.N. Doornberg, C. Lundstrom, et al., Presenting artificial intelligence, deep learning, and machine learning studies to clinicians and healthcare stakeholders: an introductory reference with a guideline and a Clinical AI Research (CAIR) checklist proposal, Acta Orthop 92 (5) (2021) 513–525.
18. S. Reddy, J. Fox, M.P. Purohit, Artificial intelligence-enabled healthcare delivery, J. R. Soc. Med. 112 (1) (2019) 22–28.
19. S. Reddy, Explainability and artificial intelligence in medicine, Lancet Digit Health 4 (4) (2022) e214–e2e5.
20. A. Ebbehoj, M. Thunbo, O.E. Andersen, M.V. Glindtvad, A. Hulman, Transfer learning for non-image data in clinical research: a scoping review, PLOS Digit Health 1 (2) (2022) e0000014.
21. L. Chan, G.N. Nadkarni, F. Fleming, J.R. McCullough, P. Connolly, G. Mosoyan, et al., Derivation and validation of a machine learning risk score using biomarker and electronic patient data to predict progression of diabetic kidney disease, Diabetologia 64 (7) (2021) 1504–1515.
22. Jialin Liu, Jinfa Wu, Siru Liu, Mengdie Li, Kunchang Hu, Ke Li. Predicting mortality of patients with acute kidney injury in the ICU using XGBoost model. PLoS One 4 de febrero de 2021;16(2):e0246306. doi: 10.1371/journal.pone.0246306
23. Lewis W. Prognostic factors in Chronic renal insufficiency. Quarterly Journal of Medicine; 1976. 521-532.
24. Herdman RB. Survival and the rate of Progression of chronic renal disease. Clinical Nephrology; 1983. 149- 154.
25. Vikas Ch, Saurabh P, B.B. Tiwari. Chronic Kidney Disease: A Predictive model using Decision Tree. International Journal of Engineering Research and Technology. ISSN 0974-3154 Volume 11, Number 11 (2018), pp. 1781-1794.
26. Gallagher DJ. Estimating the risk of end- stage renal disease in patients with chronic kidney disease. Nephron Clinical Practice; 2004. c1-c7.
27. Ministerio de Salud Pública. Programa de Prevención de la Insuficiencia Renal Crónica. La Habana: MINSAP; 1996 [citado 2021 Jun 27].
28. Documento de información y consenso para la detección y manejo de la enfermedad renal crónica. Nefrología. 2014; 34(2): 243-62.
29. Centro Nacional de Información de Ciencias Médicas. Biblioteca Médica Nacional. Enfermedades renales. Estadísticas mundiales. Factográfico de Salud. [internet] 2016 [citado 11/8/2019]; 2(2). Disponible en: http://files.sld.cu/bmn/files /2016/02/factográfico-de-salud-febrero-2016.pdf2
30. Pérez Oliva JF, Herrera R, Almaguer M, ¿Cómo mejorar el manejo de la enfermedad renal crónica? Consideraciones y recomendaciones prácticas. Rev Hab Cienc Med 2008; 7(1): 1-22. Disponible en: https://creativecommons.org/licenses/by/4.0 /deed.esES
31. Sánchez Lorenzo I, Leyva Feria Z, Sánchez Alborn N. Daño renal en pacientes hipertensos atendidos en el Hospital Provincial de las Tunas. 2016 [citado 11/4/2019];41(12). Disponible en: http://revzoilomarinello.sld.cu/index/index.php /zmv/article/vie
32. Giraldo-Castrillón Y, Arango C, Molina CF, Segura A. Usability of predictive models of kidney failure in chronic kidney disease: a scoping review. CES MEDICINA Septiembre - diciembre de 2022. DOI: 10.21615/cesmedicina.6987 ISSNe: 2215-9177 ISSN: 0120-8705
33. Collins, G. S., & Moons, K. G. M. (2019). Reporting of artificial intelligence prediction models. The Lancet Digital Health, 1(6), e244-e246.
34. Hussain T. Clinical Prediction models for chronic kidney disease progression: a systematic review and meta-analysis; 2020
35. Tangri N. SCORED: A Novel Risk Score for Predicting the Risk of Progression to End- Stage Renal Disease. American Journal of kidney disease; 2015. 472-479.
36. Tangri N. Aspirin use in patients with Chronic kidney disease: A review. The American Journal of Medical Sciences; 2019. 243-249.
37. Zhang J. Risk predition models for Chronic kidney disease in China : a systematic review. Journal of Renal Injury; 2020. 13-21.
38. Li X. Prediction for chronic kidney disease Progression using machine learning: A Review. Journal of healthcare engineering ; 2021.
39. Shaw JE. Risk factors for chronic kidney disease in Australia; 2022.
40. García JA. Prediction for chronic kidney disease Progression in Columbia; 2020.
41. Fitzmaurice GM. A new predition model for Chronic kidney disease Progression: a UK cohort study . Nephology Dialysis Transplantation; 2021. 1144-1152.
42. Ogunbiyi OA. Predition models for Chronic kidney disease in low-and- middle-income countries: a systematic review. International Journal of environmental research and public Health; 2022.
43. Tangri N, Kitsios GD, Inker LA, Griffith J, et al. Risk predition models for patients with chronic kidney disease in China : a systematic review. Annals of Internal Medicine 2013; 158(8):596- 603. [PubMed] Disponible en: https://www.ncbi.nlm.nih.gov/23588748/
44. Tangri N, Stevens PE, Griffith J, et al. A Predictive model for progression of chronic kidney disease: development and validation. Kidney Int. 2011;80(1):55-62.doi:10.1038/ki.2010.169.
45. Martínez U, D. Almudena B, Beloqui O, Huerta A. El índice neutrófilo/linfocito como marcador de disfunción sistémica endotelial en sujetos asintomáticos. [citado octubre 28, 2015]; On-line febrero 28, 2016; 36 (4): 397-403 Disponible en: https://www.revistanefrología.com.
Descargas
Publicado
2025-12-25
Cómo citar
1.
Castillo Deprés D, Castillo Deprés S, Delgado Ramos A, Vidal Ledo MJ. Los Modelos de Predicción de la Progresión en la Enfermedad Renal Crónica. INFODIR [Internet]. 25 de diciembre de 2025 [citado 26 de diciembre de 2025];44. Disponible en: https://revinfodir.sld.cu/index.php/infodir/article/view/1795
Número
Sección
Artículos de Revisión o Posición
Licencia
Derechos de autor 2025 Dania Castillo Deprés, Saymara Castillo Deprés, Ariel Delgado Ramos, María Josefina Vidal Ledo
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.
Aquellos autores/as que tengan publicaciones con esta revista, aceptan los términos siguientes:
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).
