Historien om eGFR — från Rehbergs clearance-idé till felbudgeten

Reviderad den 27 september 2026.

Innehåll

Del 1 — Ursprung: från clearance-idé till indexerad mGFR

0 Vad GFR säger om njuren

GFR har blivit det vanligaste måttet på njurfunktion, trots att njurarna gör mycket mer än att filtrera blod. De återvinner ämnen, reglerar vätska och elektrolyter och producerar hormoner. För att förstå vad ett eGFR-värde säger behöver vi därför börja med vad filtrationen kan berätta om njuren.

Njurens funktioner

Njurens arbete kan delas i fyra:

• Filtration. I glomeruli pressas plasma genom en semipermeabel barriär: vatten och små lösta ämnen passerar, celler och stora proteiner hålls kvar. Filtrationshastigheten, summerad över alla nefron, är GFR.
• Reabsorption. Tubuli återvinner det mesta av filtratet — vatten, natrium, glukos, bikarbonat — så att den slutliga urinen är en liten, koncentrerad rest av de ~180 liter som filtreras per dygn.
• Sekretion. Tubuli utsöndrar aktivt vissa ämnen till filtratet — vätejoner, kalium, många läkemedel och en del av kreatininet.
• Endokrin funktion. Njuren producerar erytropoietin, aktiverar D-vitamin (1α-hydroxylering) och reglerar blodtryck via renin-angiotensinsystemet.

Filtrationen blev ett centralt mått eftersom den beskriver hur mycket plasma njurarna filtrerar per tidsenhet, i ml/min. GFR sammanfattar en viktig del av njurarnas arbete och går att kvantifiera. Men de övriga funktionerna behöver bedömas på andra sätt.

Vad GFR mäter — och vad det inte mäter

GFR mäter filtrationskapaciteten. Det säger ingenting direkt om

• tubulär funktion (reabsorption och sekretion kan vara störda vid normalt GFR),
• endokrin funktion (anemi och rubbad benmineralmetabolism kan föregå ett fallande GFR),
• strukturell skada (ärrbildning, inflammation), och
• barriärens täthet. En läckande glomerulär barriär släpper ut albumin i urinen (albuminuri) långt innan filtrationshastigheten sjunker. En patient med tidig diabetesnefropati kan ha normalt GFR och ändå ha en betydande, progredierande njursjukdom.

Ett normalt GFR utesluter alltså inte njursjukdom. Filtrationshastigheten kan vara bevarad även när njuren är skadad.

KDIGO:s klassifikation och riskmatris

Figur 1. KDIGO:s riskmatris — GFR-kategori (G1–G5) × albuminuri-kategori (A1–A3) som färgad riskmatris.

KDIGO (Kidney Disease: Improving Global Outcomes) definierar kronisk njursjukdom som avvikelser i njurens struktur eller funktion som funnits i minst tre månader och har betydelse för hälsan. Den fullständiga klassifikationen är CGA:

• Cause (C) — bakomliggande orsak,
• GFR-kategori (G) G1–G5 (från ≥ 90 till < 15 ml/min/1,73 m²), och
• Albuminuri-kategori (A) A1–A3 (från normal–lätt ökad till kraftigt ökad albuminuri).

Den färgade riskmatrisen visar de två prognostiska laboratorieaxlarna G och A.

Både GFR och albuminuri förutsäger mortalitet, kardiovaskulär risk och progression till njursvikt, oberoende av varandra [1]. En patient i G2 med A3 kan därför ha högre risk än en i G3a med A1. G1 eller G2 räcker däremot inte för diagnosen CKD om andra markörer för njurskada saknas. Riskmatrisen behöver läsas tillsammans med kravet på kronicitet och uppgiften om bakomliggande orsak.

GFR är en funktion, inte en nefronräkning

GFR anger den sammanlagda filtrationshastigheten, inte hur många fungerande nefron som finns kvar.

När nefron går förlorade kan de kvarvarande öka sin filtration, så kallad hyperfiltration. GFR kan därför ligga nära normalt trots en betydande nefronförlust. Detta hänger samman med njurens funktionella reserv, renal reserve: förmågan att öka GFR över vilonivån, till exempel efter en proteinmåltid. Reserven kan minska innan vilo-GFR faller, eftersom de kvarvarande nefronen redan arbetar med högre filtration.

Ett förhöjt GFR kan också vara ett tidigt sjukdomstecken. Vid exempelvis tidig diabetes eller obesitas kan ökat glomerulärt tryck driva upp filtrationen och samtidigt bidra till framtida skada.

Njurens kompensation gör alltså att GFR kan reagera sent på strukturell skada. Den begränsningen finns även om vi känner det sanna GFR exakt. Den behöver skiljas från osäkerheten i själva skattningen, som resten av artikeln handlar om.

Vad kan ett sjunkande GFR bero på?

Jag tolkar detta som en del av förklaringen till att GFR kan användas som ett gemensamt allvarlighetsmått vid olika njursjukdomar. När kompensationen inte längre räcker visar ett sjunkande GFR att den samlade filtrationskapaciteten har minskat. Diabetesnefropati, glomerulonefrit, hypertensiv nefroskleros, obstruktion och ischemi kan alla ge samma resultat. GFR-kategorin beskriver graden av funktionsnedsättning, men pekar inte ut orsaken.

Sänkt GFR behöver heller inte betyda bestående vävnadsskada. Vätskebrist, NSAID, ACE-hämmare/ARB och låg hjärtminutvolym kan sänka filtrationen genom hemodynamisk påverkan utan att nefron går förlorade. Ett fallande GFR kan därför bero på både strukturell och funktionell kapacitetsförlust. Värdet visar att filtrationen är begränsad vid mättillfället, men avgör varken om förändringen är permanent eller vad som orsakat den.

Från filtrationshastighet till clearance

Hur bestämmer man då GFR? Filtrationshastigheten kan inte avläsas direkt. Den beräknas från hur snabbt ett markörämne avlägsnas ur blodet, dess clearance. En exogen markör tillförs och mäts under kontrollerade former. Det ger en referensmetod med egen mätosäkerhet, men kräver mer arbete än ett vanligt blodprov. I rutinen skattas därför GFR oftast från koncentrationen av ett ämne kroppen själv producerar, framför allt kreatinin.

1 Clearance, referensmetoder och kroppsyta

Metodvalen bakom ekvationerna

Dagens eGFR-ekvationer bygger på flera äldre metodval. Mellan 1916 och 1935 valdes markörer, clearance-beräkningen fick sin form, inulin etablerades som referens och kroppsyteindexeringen infördes.

MDRD och CKD-EPI bygger vidare på alla fyra valen. Cockcroft–Gault skiljer sig genom att skatta absolut kreatininclearance. De senare GFR-ekvationerna lägger dessutom till en regressionsmodell: GFR förutsägs från P-kreatinin och demografiska variabler. Ålder och kön får då representera sådant som påverkar markören utöver GFR, och varje individuellt värde får en ytterligare prediktionsosäkerhet.

Rehberg 1926: en tidig kvantifiering av människans filtration

Vid Laboratoriet för zoofysiologi i Köpenhamn gjorde Poul Brandt Rehberg en tidig kvantitativ uppskattning av människans glomerulära filtrationshastighet [2]. Han ville undersöka filtrations–reabsorptionsteorin för urinbildning, som konkurrerade med sekretionsteorin. Om en markör filtrerades men inte reabsorberades skulle den utsöndrade mängden kunna användas för att beräkna filtrerad plasmavolym. Rehberg valde kreatinin. Den normala halten, som han kallade “preformed creatinine”, var dock för låg och osäker för beräkningarna. Han höjde därför plasmanivån genom att inta omkring 5 g kreatinin peroralt. Det tillförda kreatininet utsöndrades på samma sätt som det kroppsegna. Filtrationshastigheten kunde då beräknas som utsöndrad mängd per tidsenhet delad med plasmakoncentrationen, i modern notation $U \cdot V / P$.

Ur samma data uppskattade Rehberg hur mycket vatten tubuli återförde. Med antagandet att kreatininet passerade oförändrat kunde skillnaden mellan filtrerad volym och urinvolym tolkas som reabsorption. I hans räkneexempel återfördes omkring 99 % av det filtrerade vattnet: i ett fall gav ett filtrat på 146 ml/min en urinproduktion på 0,80 ml/min. Först vid kraftig diures sjönk andelen mot ~90 %. Metoden kom senare att kallas Rehbergs prov, kreatininclearance.

Antagandet om oförändrad passage genom tubuli visade sig inte hålla fullt ut. Kreatinin secerneras också aktivt, vilket gör kreatininclearance högre än GFR. Levey et al. [3] fann en överskattning på 19 % och konstaterade att kreatininclearance “är känt för att ligga högre än GFR”. Senare markörval och korrektionsfaktorer försöker på olika sätt hantera denna skillnad mellan kreatinin och en ideal filtrationsmarkör. Själva termen clearance kom från ureaarbetet som beskrivs nedan.

Shannon & Smith 1935: inulin som filtrationsmarkör

Shannon & Smith [4] undersökte inulin som ett alternativ till kreatinin. Flera observationer talade mot tubulär sekretion: aglomerulära fiskar (Lophius, Opsanus) kunde inte utsöndra inulin, utsöndringen hos människa var proportionell mot plasmakoncentrationen och tidigare kolhydratstudier pekade i samma riktning. Författarna beskrev ändå slutsatsen som tentativ och hade inte uteslutit en mindre aktiv reabsorption. Att inulinet återfanns nära kvantitativt i urinen gav ytterligare stöd för användningen som filtrationsmarkör. Resonemanget vilade alltså på flera fysiologiska observationer, utan att tubulär hantering hade kunnat uteslutas direkt.

Föregående djurdata var flera och skilda: Richards, Westfall & Bott [5] hade visat att inulin inte utsöndrades av den aglomerulära Opsanus-njuren men väl av hundens, och Richards rapporterade i sin Harvey Lecture [6] (januari 1935) att inulin filtrerades fritt hos grodan. Efter dessa data — och författarnas egna omfattande hundförsök — gavs inulin här för första gången parenteralt till människa: en av forskarna (Shannon själv) tog en intravenös infusion om 160 g, varefter sju konvalescentpatienter vid Bellevue Hospital studerades. Därmed blev inulinclearance den referens mot vilken andra markörers ofullkomligheter kunde mätas.

Inulin blev referensmarkör eftersom det föreföll filtreras fritt och hanteras obetydligt av tubuli, med nära kvantitativ återvinning i urinen. Senare metoder med iohexol, iotalamat, ⁵¹Cr-EDTA och ⁹⁹ᵐTc-DTPA sökte ett liknande beteende med enklare provtagning. För flera av alternativen kunde man också undvika både långvarig infusion och radioaktivitet.

Referensmetodernas antaganden

Även referensmetoderna bygger på antaganden. Inulinclearance kräver kontinuerlig infusion och tidsatt urinuppsamling. Moderna exogena markörer används för både urin- och plasmaclearance. Plasmametoderna ersätter urinuppsamlingen med en modell av koncentrationsförloppet, och enpunktsmetoder kräver ytterligare antaganden. mGFR är därför en clearance-baserad skattning av GFR, med en osäkerhet som beror på metoden. Jag använder den vedertagna förkortningen, men det som mäts är markörens clearance, ur vilken GFR härleds.

Det har en konsekvens som återkommer genom hela artikeln: en eGFR-formels koefficienter är aldrig bättre än den mGFR-referens de anpassats mot — och referensen skiljer sig mellan landmärkesstudierna. MDRD tränades mot urinclearance av ¹²⁵I-iotalamat [7], medan de svenska Lund–Malmö-ekvationerna tränades mot plasmaclearance av iohexol [8]. Just den sortens skillnad bidrar till att formler kan rangordnas olika beroende på i vilket material de prövas.

Är inulin bäst — eller kom det bara först?

Min tolkning är att inulinets ställning som referens också präglas av att det etablerades tidigt. Överensstämmelse med inulin behöver skiljas från frågan om vilken metod som är mest användbar.

De moderna exogena markörerna validerades mot inulinclearance. Iohexol jämfördes ursprungligen med ⁵¹Cr-EDTA [36], som i sin tur hade jämförts med inulin. Iotalamat gav något högre clearance än inulin, vilket tillskrevs en liten tubulär sekretion. Även SBU:s systematiska översikt [37] använder renal inulinclearance som referenstest och övriga markörer som “indextest”. Sådana jämförelser visar överensstämmelse med referensen, inte om en ny markör ligger närmare ett oberoende känt GFR. En metod kan samtidigt vara mer precis, enklare att standardisera eller lättare för patienten. Delanaye påpekar att inulinets ställning vilar på det ursprungliga fysiologiska resonemanget: “den första metoden är inte jämförbar med någon annan.” Han bedömer också att många senare jämförelser har statistiska svagheter [38].

Tubulär hantering och metabol stabilitet är två skilda frågor. Shannon & Smith undersökte framför allt det första. Metodlitteraturen beskriver intravenöst inulin som i huvudsak oförändrat och nära kvantitativt återvunnet i urinen, medan inulin som tas per os bryts ned av tarmbakteriernas inulinas [38]. Jag har däremot inte hittat någon särskild farmakokinetisk primärstudie av human inulinmetabolism bland de GFR-källor jag gått igenom. Uppgiften om metabol stabilitet stöds här av metodlitteraturen, inte av en sådan direkt studie. Jag har heller inte funnit belägg för nämnvärd human vävnadsmetabolism av inulin.

Det finns andra begränsningar. En liten extrarenal clearance har mätts hos människa och anefriska djur. I anefriska grisar var den ungefär lika stor för inulin, iohexol och ⁵¹Cr-EDTA: 0,83 mot 0,87 respektive 0,79 ml·min⁻¹·10 kg⁻¹ [39]. Den avvikelsen är alltså inte specifik för inulin. Dessutom saknas en standardiserad inulinanalys. Metoder med sur hydrolys till fruktos kan påverkas av glukos, och olika inulinmetoder kan ge GFR-skillnader på omkring ±10 ml/min hos samma patient [38]. Den analytiska standardisering som införts för kreatinin och cystatin C, med IDMS respektive ERM-DA471, saknas därmed för referensmarkören (Del 4.2, 4.4).

Direkta jämförelser av inulin och iohexol hos samma patient samma dag har visat god överensstämmelse. Hos barn har medelbias legat kring 2–3 ml/min/1,73 m², ICC ≈ 0,92 och P30 över 80 % [40]. En trevägsjämförelse med inulin, iohexol och ⁹⁹ᵐTc-DTPA visade samtidigt att iohexolresultaten berodde på protokoll och GFR-nivå [41]. Även dessa studier använder inulin som referens. Jag läser dem därför som stöd för överensstämmelse mellan metoder, utan att de avgör vilken som ligger närmast sant GFR. De praktiska skälen att välja iohexol är tydligare: en plasmabolus är enklare att hantera än infusion med tidsatt urinuppsamling.

Varför “per 1,73 m²”: indexeringens ursprung i urea-fysiologin

Kroppsyteindexeringen har ett annat ursprung. Den infördes i arbetet med ureaclearance 1928, före inulinstudien och långt före de kreatininbaserade prediktionsekvationerna. Därifrån kommer konventionen att uttrycka njurfunktion per 1,73 m².

Möller, McIntosh & Van Slyke [9] behövde jämföra ureautsöndring hos personer av olika storlek. En större person kan ha högre absolut ureaclearance utan att njurfunktionen i förhållande till kroppsstorleken är bättre. De räknade därför om varje individs värde med faktorn 1,73/(individens kroppsyta). Ytan 1,73 m² beskrevs som en genomsnittlig vuxenyta. I de källor jag gått igenom är det detta ureaarbete som etablerar standarden.

Själva talet 1,73 härleds dock inte i detta arbete utan i seriens tredje arbete, The Influence of Body Size on Urea Output [58], som definierar enheten explicit: “We have found it convenient to use as a unit the surface area 1.73 square meters, which is the mean of the areas of men and women of 25, estimated from the adjusted medico-actuarial tables of Baldwin and Wood published by Fiske and Crawford.” Talet är alltså medelkroppsytan för en 25-årig man och en 25-årig kvinna, hämtade ur Baldwin & Woods aktuariska längd–vikt-tabeller, med kroppsytorna beräknade via DuBois formel.¹ Mekanismen bör hållas isär: DuBois formel är konverteringsverktyget (längd och vikt → yta) inne i konstruktionen, medan talet 1,73 självt är ett aktuariskt medelvärde av två tabellerade referenspersoner — inte ett medel av ett uppmätt material, och inte något DuBois-formeln som sådan producerar.

Det praktiska verktyget att räkna ut vilken individs kroppsyta som helst kom från DuBois & DuBois [10]: en formel ur längd och vikt ($A \propto W^{0{,}425} \times H^{0{,}725}$),² kalibrerad mot direkt uppmätta (“mold”-mätta) kroppsytor i ett mycket litet material — texten anger nio försökspersoner³ — och jämförd med en “linjär formel” med nitton kroppsmått. När eGFR av-indexeras till absolut ml/min krävs åter en skattad kroppsyta; historiskt är DuBois-formeln det klassiska verktyget för det, även om vilken formel som används i moderna labbflöden bör anges separat.

1. 1,73 m² är en urea-clearance-konvention från 1928, inte en njur­egenskap — och kommer inte från DuBois-formeln som sådan. Att tillskriva standardytan åt DuBois är en utbredd sammanblandning.
2. Ytindexering av “njurfunktion” föregår de kreatininbaserade prediktionsformlerna (Cockcroft–Gault, MDRD, CKD-EPI) med decennier. De ärvde den; de uppfann den inte.

Detta förklarar en vardaglig förvirring jag återkommer till i Del 5: eftersom referens-mGFR i alla dessa kohorter uttrycktes per 1,73 m², är formlernas koefficienter tränade mot indexerad mGFR — och därför svaras eGFR ut i indexerad form (ml/min/1,73 m²) utan att man någonsin matat in längd och vikt. Normeringen är inbakad i koefficienterna, inte beräknad vid svarstillfället. (Undantaget är Cockcroft–Gault, som predikterar kreatininclearance och använder vikt; MDRD och CKD-EPI predikterar indexerat GFR ur P-kreatinin och demografiska variabler — en distinktion jag utvecklar i Del 4.)

Fyra metodval

Vid denna tid fanns de fyra metodval som senare ekvationer skulle bygga på: en markör, en clearance-beräkning ($U\cdot V/P$), en referensstandard och kroppsyteindexeringen till 1,73 m². Markörerna var Rehbergs kreatinin och Shannon–Smiths inulin; iohexol och iotalamat tillkom senare som referensmetoder.

---

¹ Paper II [9] tillämpar talet 1,73 — korrigerar individvärden med faktorn 1,73/A — men utvecklar inte kroppsstorleksberoendet självt; för det hänvisar arbetet uttryckligen till seriens Paper III [58] (“see next paper”, “the following paper”). Där (s. 475) byggs, ur Baldwin & Woods tabeller, längd–vikt-kurvor för män och kvinnor i olika åldrar, varefter kroppsytorna beräknas med DuBois formel och medelvärdet av mäns och kvinnors ytor bildas. Författarordningen är omkastad mot Paper II (McIntosh, Möller & Van Slyke). ² Konstanten anges vanligen som 0,007184 (yta i m²) / 71,84 (cm²). ³ Brödtexten återger de nio typfall som DuBois–DuBois tabellerar.

Del 2 — Den endogena markörens dilemma

2 Den endogena markörens dilemma

En ideal exogen filtrationsmarkör skulle filtreras fritt, utan reabsorption, sekretion eller metabolism, och inte produceras av kroppen. Inulin kom nära dessa krav, men även där finns begränsningar. Shannon och Smith beskrev sin slutsats som tentativ, en liten extrarenal clearance finns och analysen blev aldrig standardiserad (Del 1).

För rutinbruk är det största hindret praktiskt: inulin måste infunderas och mätas under kontrollerade former. En endogen markör som redan finns i blodet går att mäta i ett vanligt prov. Koncentrationen beror då också på kroppens produktion, tubulär hantering och distributionsvolym, utöver GFR.

Hyperbeln och kreatininets blinda intervall

Figur 2. Kreatininhyperbeln — kreatinin mot GFR med det flacka höga-GFR-området markerat (det blinda intervallet). Anta för ett ögonblick den ideala markörens villkor: konstant produktion ($G$, för generation) och clearance enbart via filtration. Vid jämvikt balanserar produktion och utsöndring, och koncentrationen ges av en enkel relation:

$$P = \dfrac{G}{\text{GFR}}$$

Koncentrationen är alltså omvänt proportionell mot GFR — en hyperbel. Det får en besvärlig följd. Kurvans lutning ($dP/d\text{GFR} = -G/\text{GFR}^{2}$) är flack vid högt GFR och brant vid lågt. Konkret: hyperbeln innebär att kreatinin fördubblas när GFR halveras. Men eftersom utgångsnivån varierar med muskelmassa döljer populationens breda referensintervall det länge — en person med lågt basalkreatinin (säg 55 µmol/L vid GFR 120) kan tappa halva sitt GFR, till 60, och ändå bara nå omkring 110 µmol/L — nätt och jämnt över referensintervallets övre gräns för män (ca 105 µmol/L). Först när GFR redan är påtagligt nedsatt börjar koncentrationen stiga brant över det intervallet.

Detta brukar kallas kreatininets blinda intervall. En tidig GFR-sänkning kan ge en kreatininökning som ryms inom populationens referensintervall. Vid lägre GFR blir den absoluta koncentrationsökningen större. Sambandet beror på hur en koncentration förhåller sig till clearance, och är ett skäl att använda en modell i stället för att enbart läsa av råa kreatininvärden (Del 3, Del 5).

Icke-steady-state: kurvan gäller bara i jämvikt

Relationen $P = G/\text{GFR}$ förutsätter steady state — att produktion och utsöndring balanserar och koncentrationen står stilla. Vid akut förändrad njurfunktion gäller den inte.

Om GFR plötsligt faller tar det tid innan koncentrationen når ett nytt jämviktsvärde. Tidsförloppet beror på distributionsvolymen i förhållande till clearance och kan för kreatinin vara av storleksordningen dygn. En patient kan därför vara anurisk men fortfarande ha ett nästan normalt kreatinin under första dygnet. Ett eGFR beräknat då överskattar den aktuella filtrationshastigheten eftersom ekvationens jämviktsantagande inte är uppfyllt.

Cystatin C har mindre distributionsvolym och kan stiga något snabbare, men även det reagerar med fördröjning. De vanliga ekvationerna för endogena markörer förutsätter jämvikt. När den saknas uppstår den begränsning som jag tar upp som komponent 6 i felbudgeten (Del 8).

Kreatinin: produktion, sekretion och analys

Utöver sambandet med GFR och kravet på jämvikt har varje markör egna felkällor. För kreatinin är framför allt följande viktiga.

Produktion. Kreatinin bildas icke-enzymatiskt från kreatin och fosfokreatin i muskulatur, i en takt som i grova drag är proportionell mot muskelmassan. Produktionen är alltså inte densamma hos alla: produktionen varierar med muskelmassa — och därmed med kön, ålder, kroppssammansättning och etnicitet — och sjunker vid kakexi, amputation och långvarig immobilisering. Det är just den mellanindividuella variationen som demografiska kovariater (och historiskt rasfaktorn, Del 4.8) har försökt fånga.

Diet. Tillagat kött innehåller både kreatinin och kreatin som omvandlas till kreatinin; en köttmåltid höjer kreatinin övergående, liksom kreatintillskott.

Tubulär sekretion. Kreatinin filtreras inte bara — en icke försumbar andel (storleksordningen 10–20 % vid normalt GFR [11]) utsöndras aktivt av tubuli, och sekretionens relativa bidrag ökar när GFR faller. Det gör att kreatininclearance överskattar GFR (sekretionen läggs till den filtrerade mängden): SBU [11] anger att endogent kreatininclearance därigenom överskattar GFR med storleksordningen 25 %, mer än de 19 % Levey et al. [3] fann för uppmätt kreatininclearance i MDRD-kohorten — differensen speglar att sekretionsfraktionen växer vid lägre GFR, inte en motsägelse. Samma mekanism gör att sekretionshämmande läkemedel — trimetoprim, cimetidin, vissa proteashämmare — höjer P-kreatinin utan att GFR ändrats.

Analysmetod. Historiskt mättes kreatinin med Jaffe-reaktionen (alkaliskt pikrat), en färgreaktion som är billig men ospecifik: proteiner, glukos, ketoner, bilirubin och vissa läkemedel ger interferens, särskilt vid låga kreatininnivåer. Enzymatiska metoder är mer specifika. Skillnaden mellan Jaffe och enzymatiskt var en huvudkälla till variation mellan laboratorier — och det är den variationen som minskade med IDMS-standardiseringen (Del 4.2). För MDRD ändrades då koefficienten: 186 → 175.

Cystatin C: andra felkällor

Cystatin C är den viktigaste alternativa markören just för att dess främsta svaghet är en annan än kreatininets.

Produktion. Ett litet protein (~13 kDa), en cysteinproteashämmare, som produceras av alla kärnförsedda celler i en relativt konstant takt och med betydligt svagare koppling till muskelmassa än kreatinin. Det är en viktig fördel vid sarkopeni, men cystatin C är inte helt oberoende av kroppssammansättning.

Tubulär hantering. Cystatin C filtreras fritt och reabsorberas och kataboliseras sedan nästan fullständigt i proximala tubuli — det återförs inte till blodet och utsöndras inte intakt i urinen [11]. En praktisk konsekvens: man kan inte mäta cystatin C-clearance i urin (som för kreatinin); cystatin C duger bara som serummarkör.

Icke-GFR-determinanter. Cystatin C är inte determinantfritt. Det påverkas av tyreoideafunktion (hypertyreos höjer, hypotyreos sänker), kortikosteroider i högre doser, hög cellomsättning, uttalad inflammation, obesitas och rökning [11]. Dess fel sammanfaller alltså inte helt med kreatininets — vilket är den fysiologiska grunden för att kombinera dem (Del 4.4, Del 7).

Standardisering. Länge var cystatin C-analyser inte jämförbara mellan metoder. Det internationella referensmaterialet ERM-DA471 (IFCC, ~2010) [12] gav cystatin C sin motsvarighet till IDMS för kreatinin, och först därefter blev standardiserade cystatin C-ekvationer (Del 4.4) meningsfulla.

BTP och de andra kandidaterna

Även beta-trace protein (BTP) och β₂-mikroglobulin har studerats som lågmolekylära filtrationsmarkörer med mindre beroende av muskelmassa. De har fått begränsad klinisk spridning och saknar den lika omfattande validering och standardisering som finns för cystatin C. Kreatinin och cystatin C dominerar därför fortfarande rutinbruket.

Vad markörerna kan säga

En endogen markör påverkas alltså av både GFR och andra faktorer: produktion, tubulär hantering, distributionsvolym och ytterligare biologiska förhållanden. Dessutom kräver de vanliga ekvationerna jämvikt. I felbudgeten motsvarar detta markörbiologi, komponent 1, och icke-steady-state, komponent 6.

En modell kan ta hänsyn till en del av variationen genom exempelvis ålder, kön och kroppsyta (Del 3–4, Del 5). Men dessa variabler beskriver inte helt en viss persons muskelmassa eller inflammationsläge. Därför finns osäkerhet kvar även med en väl anpassad ekvation. En andra markör med andra felkällor och jämförelser med patientens tidigare värden kan ge ytterligare information (Del 7).

Del 3 — Ekvationernas uppbyggnad

3 Hur eGFR-ekvationerna är uppbyggda

eGFR-ekvationerna beskriver statistiska samband mellan markörkoncentration och mGFR. Genom historien har sambanden modellerats med allt mer flexibla funktioner, men också förenklats genom att markören först normaliserats.

Från hyperbel till regression

Utgångspunkten är fysiologisk. I jämvikt är markörproduktionen lika med elimineringen, så för en markör som bara filtreras gäller $G = \text{GFR} \times P$, alltså $\text{GFR} \propto 1/P$ — en rektangulär hyperbel, inte en linje. Det är därför ett enskilt kreatininvärde är okänsligt i det höga registret (“creatinine-blind range”), och det är skälet till att man vill ha en formel: eGFR linjäriserar det inversa sambandet och bakar in ålder och kön, så att tolkningen blir intuitiv.

Generaliseringen är en multiplikativ potenslag: $\text{GFR} = a \cdot P^{b} \cdot \text{ålder}^{c} \cdot (\text{köns-/etnicitetsfaktorer})$. Logaritmerar man blir den linjär i parametrarna — $\ln \text{GFR} = \ln a + b \cdot \ln P + c \cdot \ln \text{ålder} + \dots$ — och kan anpassas med minstakvadratmetoden. Tre konsekvenser följer direkt, och de förklarar formlernas utseende: exponenterna är regressionslutningar; de demografiska faktorerna är $e^{(\text{indikatorkoefficient})}$, alltså multiplikatorer (0,742 för kvinna, 1,212 för svart); och den ledande konstanten är $e^{(\text{intercept})}$. Varje formel i Del 4 är, i grunden, exp av ett linjärt uttryck.

Vad logaritmeringen gör

Logaritmeringen gör tre skilda saker. (i) Den linjäriserar det multiplikativa sambandet. (ii) Den stabiliserar variansen: felet mellan mGFR och predikterat GFR växer med GFR-nivån (heteroskedasticitet — uttryckligen skälet MDRD och CKD-EPI anger för att transformera), och i log-rummet blir spridningen jämnare. (iii) Den introducerar retransformationsbias: eftersom $\mathrm{E}[\exp X] \neq \exp \mathrm{E}[X]$ (Jensens olikhet) motsvarar medelvärdet på log-skalan inte det aritmetiska medelvärdet på originalskalan. Vid symmetriska log-residualer ger direkt återtransformering en betingad median, inte ett aritmetiskt medelvärde. Det är en annan fråga än att redovisa medianen av valideringsfelen. Viktning är ett separat modellval, inte en följd av logaritmeringen.

Exponenterna är empiriska kurvanpassningar, inte fysikaliska konstanter

Massbalansen förutsäger kreatininexponenten $b = -1$. MDRD:s 6-variabelform ligger nära med −0,999, medan 4-variabelformen har −1,154. När urea och albumin tas bort får kreatinintermen bära en del av den information som de variablerna fångade. FAS återgår till −1, men för en omskalad markör. Exponenterna är därmed empiriskt skattade och kan skilja sig mellan populationer. En förskjutning av markörnivån fortplantas som $P^{b}$, vilket gör analysstandardiseringen avgörande för att flytta en ekvation mellan laboratorier (Del 4.2:s 186→175, Del 4.4:s ERM-DA471). I Del 4 går jag igenom detta för respektive ekvation.

Ekvationernas funktionsformer

Modellerna kan delas in efter hur de beskriver sambandet:

• Deterministisk algebra (Cockcroft–Gault): en empiriskt anpassad åldersberoende produktionskurva i clearance-beräkningen, utan direkt regression mot mGFR.
• Log-linjär potenslag (MDRD): en enda kreatininlutning över hela registret.
• Spline (CKD-EPI): två lutningar kring en könsspecifik knut — sambandet får böja sig, vilket löste MDRD:s bias vid högt GFR.
• Spline i två markörer (Inker 2012): samma idé, men i kreatinin och cystatin C samtidigt.
• Q-omskalning (FAS/EKFC): omparametrisera insatsvariabeln ($S_{cr}/Q$), varefter formen förenklas — tillbaka till en ren reciprok (FAS) eller en spline på den normaliserade markören (EKFC), utan separata köns- eller rasmultiplikatorer; ålderstermen finns kvar.

Utvecklingen går alltså inte enbart mot mer komplexa funktioner. När markören först normaliseras mot ett förväntat värde kan själva ekvationen bli enklare.

Regression betyder betingad förväntan

Francis Galton, Charles Darwins halvkusin, använde termen “regression” i sin studie av ärftlig kroppslängd 1886. Barn till mycket långa föräldrar blev i genomsnitt kortare än föräldrarna, medan barn till korta föräldrar blev längre. Han kallade rörelsen mot populationens medelvärde “regression towards mediocrity”. Termen fick sedan en bredare statistisk användning.

I dessa ekvationer anpassas den betingade förväntan $\mathrm{E}[\ln \text{GFR} \mid P,\ \text{ålder},\ \text{kön}]$ genom att minimera de kvadrerade residualerna. Residualerna är avvikelserna från det anpassade sambandet, och spridningen anges med standardfelet (SEE) eller motsvarande. Konfidensintervallet beskriver osäkerheten i den skattade medelrelationen. Prediktionsintervallet gäller en enskild individ och är bredare (Del 6). Ekvationen anger alltså ett typiskt GFR för en viss markörnivå, ålder och kön, medan personens verkliga värde kan avvika betydligt.

Kvarstående individuell osäkerhet

Avvikelserna från modellen har flera orsaker. En person kan ha en muskelmassa, kost eller tyreoideafunktion som ålder och kön inte fångar. Därtill kommer analytisk variation, fysiologisk GFR-variation och mätfel i referens-GFR. Därför återstår en betydande individuell osäkerhet även med en väl anpassad modell. Kreatininekvationer har i breda valideringar ofta haft P30 kring mitten av 80-talet (Del 6), med variation mellan kohorter och referensmetoder. Det är ett observerat mönster, inte en absolut gräns. Inker et al. [13] anger samma felkällor och skiljer särskilt referensmetodens begränsningar från fel i skattningsekvationerna.

Min tolkning av modellutvecklingen

Min tolkning av studierna är att en mer flexibel funktionsform ger allt mindre förbättring av träffsäkerheten för individen. CKD-EPI:s spline höjde P30 med ~3,5 procentenheter jämfört med MDRD. Andra sätt att få mer information är:

1. En andra markör med delvis oberoende fel. Inker et al. [13] fann +4,3 P30 och en tredjedel färre grova fel med bibehållen bias. De föreslog som hypotes att markörernas olika icke-GFR-determinanter förklarar förbättringen. Sammanvägning kan minska markörspecifika fel, men hjälper mindre om båda markörerna påverkas åt samma håll.
2. Longitudinell självreferens (referensändringsvärde, RCV): eftersom kreatininets individualitetsindex är lågt är jämförelse mot patientens eget tidigare värde långt säkrare än mot ett populationsreferensintervall (Del 7).

Figur 3. Modellformens utveckling — fyra formsteg på en formaxel (Cockcroft–Gault → MDRD → CKD-EPI → FAS/EKFC; enkla eller styckvisa potenslagar; en konceptuell syntes) och den andra markören som ett lodrätt hopp på informationsaxeln. Q-omskalning justerar för systematiska skillnader i markörens normalnivå mellan åldrar, kön och populationer. Den tar däremot inte bort variationen inom dessa grupper, såsom individuell muskelmassa, kost, analysvariation eller referensmätfel. Nyman et al. [14] fann att populationsspecifikt Q förbättrade bias och P30 i en svart europeisk kohort medan IQR var i princip oförändrat. Jag ser detta som stöd för att normalisering, en andra markör och uppföljning över tid kan bidra på olika sätt. Jämförelsen mellan deras vinster bygger här på flera studier, inte på ett gemensamt material (Del 4.4, Del 7).

Del 4 — Ekvationerna

Figur 4. Formelfamiljerna mot samma mall (översikt) — sju formler × fem dimensioner (markör, estimand, referensmetod, enhet, funktionsform); de bredare dimensionerna (population, kärninnovation, huvudbegränsning) finns i Bilaga A-tidslinjen; kalibrering behandlas i respektive fallstudies prosa.

4.1 Cockcroft–Gault 1976 — kreatininclearance

Cockcroft–Gault [15] tas ofta upp bland eGFR-ekvationer, men skattar kreatininclearance och kalibrerades mot den storheten. Jämförelsen med senare ekvationer kräver därför att man håller isär vad som skattas, referensmetoden, rapportenheten, kreatininanalysens kalibrering och användningsområdet.

Från kreatininproduktion till clearance

Cockcroft & Gault (1976) ville snabbt kunna uppskatta kreatininclearance utan en 24-timmars urinsamling. Materialet kom från Queen Mary Veterans’ Hospital i Montreal: journaler för 534 konsekutiva patienter med minst två uppmätta 24-timmars kreatininclearance-värden, varav 96 % var män. Grunden var en enda empirisk observation. När de plottade den genomsnittliga kreatininutsöndringen per kg kroppsvikt mot åldern (i 249 män, 18–92 år) föll den linjärt:

$$\text{kreatininutsöndring per dygn (mg/kg)} \approx 28 - 0{,}2 \times \text{ålder}$$

Muskelmassa och kreatininproduktion minskar i genomsnitt med åldern. Genom att sätta in den observerade produktionskurvan i clearance-beräkningen, utsöndrad mängd delad med plasmakoncentration, och räkna om till ml/min fick de:

$$C_{cr} = \dfrac{(140 - \text{ålder}) \times \text{vikt (kg)}}{72 \times S_{cr}} \qquad [\text{15 \% lägre hos kvinnor}]$$

Konstanten 72 uppstår vid omskrivningen av beräkningen — dygnsutsöndringen $(28 - 0{,}2 \cdot \text{ålder}) \cdot \text{vikt}$ delat med $14{,}4 \cdot S_{cr}$ blir, när täljare och nämnare multipliceras med 5, $(140 - \text{ålder}) \cdot \text{vikt} / (72 \cdot S_{cr})$. Femman är kopplad till den empiriska lutningen 0,2, och 14,4 till enhetsomräkningen; konstanten förenar alltså den empiriska kurvan med enhetsomräkningen. Cockcroft & Gault noterar dessutom att genomsnittsvikten för en man “av en slump” också ligger nära 72 kg. Hela härledningen gjordes på män. De 15 % lägre värdena för kvinnor (faktorn 0,85) härleddes inte ur data från kvinnor — artikeln konstaterar att kvinnor kräver korrektion för annan fett/muskel-relation och att tidigare författare föreslagit 10–20 % reduktion, varvid 15 % “appears appropriate”. Kvinnofaktorn var alltså en extrapolation, vilket begränsar underlaget för den.

Estimand och referens: en annan storhet mot en annan referens

Originalartikeln validerade Cockcroft–Gault mot medelvärdet av två 24-timmars kreatininclearance, inte mot mGFR med en exogen markör. Både målvariabeln (Ccr) och referensen (24h-Ccr) skiljer sig därför från dem i MDRD och CKD-EPI. Det var ett avsiktligt val: kreatininclearance var det författarna ville skatta. Om värdet används som GFR tillkommer däremot en överskattning från den tubulära sekretionen, även när clearance-prediktionen stämmer. Levey et al. [3] fann att Cockcroft–Gault-predikterat kreatininclearance låg 16 % över mGFR.

Rapportenhet: absolut, inte indexerad

Cockcroft–Gault ger absolut clearance (ml/min), inte kroppsyte­normerad. Den använder vikt i täljaren och är i utgångsläget i absoluta enheter — till skillnad från MDRD och CKD-EPI, som svaras ut per 1,73 m². När MDRD-arbetet ville jämföra formlerna fick de uttryckligen justera Cockcroft–Gault för kroppsyta [7]. Detta gör Cockcroft–Gault till undantaget i Del 5-diskussionen om absolut vs indexerat.

Inte den första kreatininformeln

Cockcroft & Gault jämförde sin ekvation med tidigare Jelliffe-formler¹ och ett samtida nomogram av Kampmann & Siersbæk-Nielsen. Kreatininbaserad prediktion fanns alltså före 1976. Cockcroft–Gault fick stor spridning genom sin enkelhet och användningen av ålder och vikt, trots betydande individuella prediktionsfel. Den viktigaste skillnaden mot dagens eGFR-ekvationer är ändå vilken storhet den skattar: kreatininclearance.

Prestanda — och varför korrelationen inte räcker

Cockcroft–Gault gav en korrelation på 0,83 mot uppmätt kreatininclearance; det samtida nomogrammet låg marginellt högre (0,84), och de två rankades sammantaget som bäst av de jämförda metoderna. För att bedöma individuella fel behöver man också se avvikelsernas storlek. Uttryckt som prediktionsfel skilde sig predikterat och uppmätt värde med 20 % eller mindre hos 67 % av patienterna, och med 35 % eller mindre hos 95 %. En hög korrelation innebär alltså varken låg systematisk avvikelse eller god träffsäkerhet på individnivå . Cockcroft & Gault redovisade därför även avvikelser från identitetslinjen, standardfel, lutning och intercept. I Del 6 återkommer jag till varför P30 och prediktionsintervall behövs utöver korrelation.

Begränsningar i originalartikeln

Originalartikeln anger tre begränsningar:

• Icke-steady state. Prediktionen gäller bara om njurfunktion och P-kreatinin är i jämvikt. Vid tidig akut njursvikt, innan kreatininet hunnit stiga, överskattar formeln clearance. Det knyter Cockcroft–Gault till icke-steady-state-problemet jag introducerade i Del 2 — hyperbeln gäller inte vid instabilt kreatinin.
• Viktberoendet. Kroppsvikten är ett surrogat för kreatininproduktion, men Cockcroft & Gault varnar själva för uttalad obesitas, ascites, muskelatrofi och paraplegi, och rekommenderar mager eller ideal kroppsvikt vid sådana avvikelser. Detta är direkt relevant i läkemedelsdosering.
• Ingen extern validering. Cockcroft & Gault anger att samma grupp-II-patienter användes både för att härleda och för att testa formeln, och att resultatet kunde bli sämre i ett annat material. MDRD och CKD-EPI använde senare separata tränings- och valideringsurval.

Analyskalibrering och användning

Cockcroft–Gault är bunden till originalstudiens kreatininkalibrering (en Technicon-autoanalysatormetod). När MDRD re-uttrycktes för IDMS-spårbart kreatinin kunde Cockcroft–Gault inte göras om på samma sätt — de ursprungliga kreatininproverna fanns inte kvar för kalibrering [7]. Formelns värden är därför svåra att jämföra rakt av med moderna standardiserade analyser.

Cockcroft & Gault motiverade ekvationen med behovet att dosera potentiellt toxiska läkemedel som utsöndras via njurarna. Absolut clearance i ml/min blev ett vanligt mått i farmakokinetiska studier och finns därför kvar i många produkttexter. Det visar vilket mått doseringsstudierna använde, utan att i sig avgöra vilken ekvation som är mest träffsäker i dag.

Det är ett historiskt arv, inte en allmän rekommendation att föredra CG. KDIGO 2024 anger att validerade kreatininbaserade eGFR-ekvationer är lämpliga för dosering i de flesta situationer, men konstaterar samtidigt att många produkttexter bygger på CG och att få studier har jämfört ekvationerna direkt i doseringssammanhang [1]. FDA accepterar moderna, brett använda GFR-ekvationer i farmakokinetiska studier [59], och en amerikansk konsensus rekommenderar en övergång mot rasfria eGFR-baserade dosbeslut [60]. Det enskilda preparatets validerade doseringsunderlag gäller ändå tills det har ersatts; Del 5 skiljer därför mellan metodval och enhetsval.

---

¹ Jelliffe-formlerna och Kampmann/Siersbæk-Nielsen-nomogrammet nämns endast som dosering-kontext, inte som fallstudier.

4.2 MDRD 1999/2006 — GFR och standardiserat kreatinin

Med MDRD ändras både målvariabel, referensmetod och modell. Ekvationen skattar GFR med en log-linjär regression mot clearance av en exogen filtrationsmarkör. MDRD visar också hur beroende en ekvation är av analysmetoden: koefficienterna fick räknas om när kreatininanalysen standardiserades.

Population och referens: mGFR i en njursjuk kohort

MDRD-ekvationen härleddes ur Modification of Diet in Renal Disease-studien: 1 628 patienter, varav 1 070 utgjorde träningsurvalet och 558 valideringsurvalet [3]. Två egenskaper hos kohorten är särskilt viktiga för tolkningen. För det första bestämdes GFR ur renal clearance av ¹²⁵I-iotalamat — en exogen filtrationsmarkör, inte kreatininclearance. MDRD är alltså den första formeln i huvudlinjen som faktiskt kalibrerades mot mGFR. För det andra var kohorten njursjuk: medel-GFR var omkring 40 ml/min/1,73 m². Sambandet skattades alltså huvudsakligen vid nedsatt GFR. Det förklarar både styrkan i det området och begränsningen vid nära normal funktion. Giltigheten behöver bedömas i förhållande till populationen och det GFR-intervall där ekvationen utvecklades och validerades.

Funktionsform: den första log-linjära regressionen mot GFR

Cockcroft & Gault utgick från en produktionskurva och clearance-beräkningen. MDRD använde i stället en stegvis multipel regression på log-transformerade data [3]. Log-transformeringen valdes eftersom variabiliteten i skillnaden mellan mGFR och predikterat GFR växte med GFR-nivån (heteroskedasticitet), precis det fenomen Cockcroft & Gault noterade men inte byggde in. I log-rummet blir modellen linjär, exponenterna blir regressionslutningar, och demografifaktorerna blir multiplikatorer. Den ursprungliga 6-variabelekvationen [3] var:

$$\begin{aligned} \text{GFR} = 170 &\times P_{cr}^{-0{,}999} \\ &\times \text{ålder}^{-0{,}176} \\ &\times 0{,}762\,[\text{kvinna}] \\ &\times 1{,}180\,[\text{svart}] \\ &\times \text{SUN}^{-0{,}170} \\ &\times \text{Alb}^{+0{,}318} \end{aligned}$$

där kreatinin anges i mg/dL, SUN är serumureakväve (mg/dL, inte urea i mmol/L) och Alb serumalbumin (g/dL). Den senare, mest använda 4-variabelformen släppte urea och albumin med minimal förlust i träffsäkerhet. Som nämnts i Del 3: i 6-variabelformen ligger kreatininexponenten på −0,999 — praktiskt taget den rena reciproken ($\text{GFR} \propto 1/S_{cr}$) som massbalansen förutsäger — medan 4-variabelformens kreatininexponent är brantare (−1,154). När urea och albumin plockas bort måste kreatininexponenten absorbera deras förklaringsvärde; exponenterna är, som jag argumenterade i Del 3, empiriska kurvanpassningsparametrar, inte fysikaliska konstanter.

När kreatininanalysen standardiserades

Den ursprungliga ekvationen anpassades mot icke-standardiserat kreatinin, kalibrerat lokalt i MDRD-laboratoriet. Det innebär att koefficienterna bara är korrekta för kreatininvärden som mätts på samma sätt . Markörens kalibrering är därmed en del av ekvationens giltighet. När kreatininanalys senare gjordes spårbar till en IDMS-referens (isotopspädning-masspektrometri) vid NIST, fick MDRD räknas om. Levey et al. [7] re-uttryckte både 4- och 6-variabelekvationerna för standardiserat kreatinin. Den re-uttryckta 6-variabelformen fick koefficienten 161,5 (från 1999-originalets 170), och den re-uttryckta 4-variabelformen blev:

$$\begin{aligned} \text{GFR} = 175 &\times S_{cr}^{-1{,}154} \\ &\times \text{ålder}^{-0{,}203} \\ &\times 1{,}212\,[\text{svart}] \\ &\times 0{,}742\,[\text{kvinna}] \end{aligned}$$

Att koefficienterna sjönk vid re-expressionen — 6-variabeln från 170 till 161,5 och 4-variabeln från 186 till 175 — speglar att standardiserade kreatininvärden i regel är lägre än de äldre, okalibrerade: en bias i markören fortplantas rakt in i formelns konstant. Exponenterna är oförändrade; endast de ledande konstanterna räknas om. (I SI-enheter, med Scr i µmol/L, blir 175-formens konstant 30 849 i stället för 175 — Levey et al. [16]; för svenska laboratorier den relevanta formen.) Utan standardiserad analys är en eGFR-formel inte överförbar mellan laboratorier. MDRD visar beroendet konkret genom att ha olika koefficienter för de två kreatininkalibreringarna.¹

Rapportenhet och huvudbegränsningen: “>60”

MDRD svaras ut indexerat, per 1,73 m² — den ärver 1928 års ytnormering (Del 1), till skillnad från Cockcroft–Gaults absoluta ml/min. Och här syns formelns centrala begränsning, som följer direkt av kohorten: MDRD är inte tillförlitlig vid nära-normalt GFR. Levey et al. [7] fann att skillnaderna mellan mGFR och estimerat GFR var större för alla ekvationer när det estimerade GFR var 60 ml/min/1,73 m² eller högre — höga GFR-nivåer var otillräckligt representerade i utvecklingskohorten. Konsekvensen blev den kliniska konventionen att inte rapportera ett exakt värde över 60, utan bara ”> 60 ml/min/1,73 m²”. Det är en formel byggd för att gradera etablerad njursjukdom, inte för att screena en frisk befolkning.

MDRD lämnade två problem olösta: “>60”-begränsningen (en enkel potenslag kunde inte passa både det låga och det nära-normala registret) och kvarstående oprecision på individnivå. CKD-EPI (Del 4.3) angrep det första med en styckvis linjär spline och en bredare kohort.

---

¹ Den pre-standardiserade 4-variabelkoefficienten 186 — den som oftast åberopas i “MDRD-186 vs MDRD-175”-jämförelser — är bekräftad i Levey et al. [16] (Table 2, “Published MDRD Study equation before calibration”: $186 \times S_{cr}^{-1{,}154} \times \text{ålder}^{-0{,}203} \times 1{,}212\,[\text{svart}] \times 0{,}742\,[\text{kvinna}]$). 1999-artikeln publicerade 6-variabelformen (170-koefficienten); 2006-artikeln ger de re-uttryckta 6- och 4-variablerna (161,5 respektive 175). Kedjan i samma tabell: $186 \times (\text{Std } S_{cr}/0{,}95)^{-1{,}154} = 175 \times \text{Std } S_{cr}^{-1{,}154}$, alltså $175 = 186 \times 0{,}95^{1{,}154} \approx 0{,}94 \times 186$. (2006-artikeln, Ann Intern Med 145:247–254, ger 175 men skriver inte ut 186; 186 återges i 2007-artikeln [16].)

4.3 CKD-EPI 2009 — en styckvis kreatininkurva

MDRD underskattade systematiskt GFR vid nära normal njurfunktion. CKD-EPI använde både ett bredare utvecklingsmaterial och en mer flexibel funktionsform för att förbättra skattningen i detta område. Markören var fortfarande kreatinin och referensmetoden tillhörde samma familj.

Ett bredare utvecklingsmaterial

CKD-EPI-ekvationen utvecklades i en poolad databas om 10 studier (8 254 personer) och validerades i 16 studier (3 896 personer) [17]. Skillnaden mot MDRD ligger i GFR-spannet. Där MDRD lärde sig relationen i en njursjuk kohort med medel-GFR omkring 40, hade CKD-EPI:s utvecklingskohort ett medel-GFR på 68 ml/min/1,73 m² (SD 40), med spann 2–190. Utvecklingsmaterialet omfattade därmed nedsatt, nära normalt och högt GFR, vilket gjorde det möjligt att anpassa sambandet i ett bredare intervall. Referensmetoden var samma familj: renal clearance av ¹²⁵I-iotalamat i utvecklingsdatabasen, iotalamat och andra markörer i valideringen, vilket gör de två formlerna direkt jämförbara.

Funktionsform: från en slät kurva till en bruten

MDRD modellerade sambandet mellan log-kreatinin och log-GFR med en enda kreatininlutning — exponenten var konstant (−1,154 i den standardiserade 4-variabelversionen) över hela registret. Men den sanna log–log-relationen är inte lika brant överallt: vid låga kreatininvärden (högt GFR) är den flackare, så att samma relativa kreatininförändring motsvarar en mindre relativ GFR-förändring än vid höga kreatininvärden. En enda konstant lutning kan inte passa båda ändarna samtidigt — och det är precis den spänningen som gav MDRD:s systematiska bias vid nära-normalt GFR.

CKD-EPI behåller den log-linjära ramen men ersätter den enda lutningen med en styckvis linjär spline med könsspecifika knutar: knuten ligger vid 0,7 mg/dL (62 µmol/L) för kvinnor och 0,9 mg/dL (80 µmol/L) för män. Under knuten är lutningen flackare och könsspecifik; över knuten är den brantare och gemensam. Originalartikeln anger den kompakta formen explicit:

$$\begin{aligned} \text{GFR} = 141 &\times \min(S_{cr}/\kappa,\,1)^{\alpha} \\ &\times \max(S_{cr}/\kappa,\,1)^{-1{,}209} \\ &\times 0{,}993^{\text{ålder}} \\ &\times 1{,}018\,[\text{kvinna}] \\ &\times 1{,}159\,[\text{svart}] \end{aligned}$$

där $\kappa = 0{,}7$ (kvinnor) / $0{,}9$ (män) och $\alpha = -0{,}329$ (kvinnor) / $-0{,}411$ (män). Konstruktionen $\min(S_{cr}/\kappa,\,1)$ respektive $\max(S_{cr}/\kappa,\,1)$ är själva spline-mekaniken: under knuten aktiveras den flacka exponenten $\alpha$, över knuten den branta $-1{,}209$.

Funktionsformen valdes med stöd av data. Levey et al. undersökte först sambandet med icke-parametriska smoothing-splines och anpassade därefter en styckvis linjär spline. Författarna kopplade den lägre biasen vid högre GFR till kreatinintermens form: förbättringen “reflects use of a spline term for serum creatinine”, som fångar det svagare sambandet vid lägre kreatinin.

Den könsspecifika splinen påverkar även förhållandet mellan skattningarna för kvinnor och män: i MDRD är kvinna-till-man-kvoten för GFR konstant (0,74) oavsett kreatininnivå, medan den i CKD-EPI varierar med kreatinin (0,83–0,92 vid lågt, 0,75 vid högt). Könseffekten är alltså inte längre en enkel multiplikator utan beror på var på splinen man befinner sig — samma sorts registerberoende som gäller kreatininlutningen.

Resultat jämfört med MDRD

Mot mGFR i valideringsmaterialet förbättrade CKD-EPI samtliga mått jämfört med MDRD [17]: bias (medianskillnad) 5,5 → 2,5, IQR för skillnaderna 18,3 → 16,6 ml/min/1,73 m², och P30 (andel inom 30 % av mGFR) 80,6 % → 84,1 %. Biasen minskade med mer än hälften. Förbättringen av precision och träffsäkerhet var mindre: +3,5 procentenheter P30. CKD-EPI svaras ut indexerat per 1,73 m² och byggdes på standardiserat kreatinin. De förbättrade resultaten bidrog till att CKD-EPI ersatte MDRD för allmänt bruk och minskade det metodologiska skälet till att undvika exakta högre eGFR-värden.

Begränsningar och min tolkning

Författarna påpekar att utvecklingsmaterialet innehöll relativt få äldre och personer ur ras-/etniska minoriteter med mGFR. Underlaget för skattningen i dessa grupper var därför begränsat.

Jag tolkar den mindre förbättringen på individnivå som ett tecken på att mer flexibel kurvanpassning inte räcker hela vägen. Det är ingen formell gräns som 2009-artikeln visar. Med P30 på 84 % avvek ungefär var sjätte skattning mer än 30 % från mGFR. Kreatininets beroende av muskelmassa, kost och sekretion kvarstår även med en spline. En andra markör med andra felkällor kan därför ge information som inte ryms i en ändrad kreatininkurva (cystatin C, Del 4.4). CKD-EPI 2009 hade fortfarande en rasfaktor på 1,159, som jag återkommer till i Del 4.8.

4.4 Cystatin C 2012 — två markörer tillsammans

Trots CKD-EPI:s mer flexibla kreatininkurva kvarstod betydande individuell osäkerhet. Inker et al. [13] kopplar den till att både kreatinin och cystatin C påverkas av annat än GFR. Cystatin C var därför intressant som komplement. Det gav inte en mer träffsäker skattning ensamt, men tillförde information eftersom felkällorna skiljer sig från kreatininets.

Markören: en annan biologi, andra fel

Cystatin C är ett litet protein som produceras i relativt konstant takt av alla kärnförsedda celler, fritt filtreras i glomerulus och secerneras inte. Till skillnad från kreatinin utsöndras det dock inte intakt i urinen: det reabsorberas och kataboliseras nästan fullständigt i proximala tubuli (megalinmedierat) — den tubulära hanteringen beskrivs så i SBU:s systematiska översikt. Just därför finns ingen motsvarighet till kreatininclearance eller Rehbergs prov för cystatin C i rutinbruk — det duger bara som plasmamarkör. Cystatin C har framför allt ett betydligt svagare beroende av muskelmassa, kreatininets största icke-GFR-determinant.

Cystatin C påverkas i stället av bland annat tyreoideafunktion, kortikosteroidbehandling, obesitas och inflammation. Felkällorna sammanfaller alltså bara delvis med kreatininets. Stor muskelmassa kan ge ett för lågt kreatinin-eGFR utan motsvarande påverkan på cystatin C, medan exempelvis hypertyreos kan påverka cystatin C-skattningen mer.

Standardisering av cystatin C

Cystatin C mötte exakt det problem MDRD:s kreatinin mötte: olika analysmetoder gav olika värden, eftersom kalibratorerna varierade. Lösningen blev cystatin C:s motsvarighet till IDMS — det första certifierade referensmaterialet ERM-DA471/IFCC [12], framtaget av IFCC:s arbetsgrupp för standardisering av cystatin C. Inker et al. [13] kalibrerade sina cystatin C-värden mot detta material; kreatininet i samma ekvation spårades parallellt till NIST:s kreatinin-referensmaterial (SRM 967). Precis som för kreatinin i Del 4.2 gäller att utan standardiserad analys är en cystatin C-ekvation inte överförbar mellan laboratorier.

Ekvationerna: en spline i två markörer

Inker et al. [13] publicerade två ekvationer, utvecklade i 5 352 deltagare från 13 studier och validerade i 1 119 deltagare, med GFR bestämt ur urin- eller plasmaclearance av exogena filtrationsmarkörer (iotalamat och andra). Den första använder cystatin C ensam:

$$\begin{aligned} \text{GFR} = 133 &\times \min(S_{cys}/0{,}8,\,1)^{-0{,}499} \\ &\times \max(S_{cys}/0{,}8,\,1)^{-1{,}328} \\ &\times 0{,}996^{\text{ålder}} \\ &\times 0{,}932\,[\text{kvinna}] \end{aligned}$$

Ekvationen har en könsterm men ingen rasterm. Den andra, den kombinerade kreatinin–cystatin C-ekvationen, är en log-linjär regression med styckvisa min/max-termer i båda markörerna — en könsspecifik kreatininknut (0,7/0,9 mg/dL) och en cystatin C-knut (0,8 mg/L):

$$\begin{aligned} \text{GFR} = 135 &\times \min(S_{cr}/\kappa,\,1)^{\alpha} \\ &\times \max(S_{cr}/\kappa,\,1)^{-0{,}601} \\ &\times \min(S_{cys}/0{,}8,\,1)^{-0{,}375} \\ &\times \max(S_{cys}/0{,}8,\,1)^{-0{,}711} \\ &\times 0{,}995^{\text{ålder}} \\ &\times 0{,}969\,[\text{kvinna}] \\ &\times 1{,}08\,[\text{svart}] \end{aligned}$$ $$\begin{aligned} \kappa &= 0{,}7\ \text{(kvinna)} / 0{,}9\ \text{(man)} \\ \alpha &= -0{,}248\ \text{(kvinna)} / -0{,}207\ \text{(man)} \end{aligned}$$

Modellen är nu en spline i två markörer, jämfört med MDRD:s potenslag och CKD-EPI:s kreatininspline. Resultaten tyder på att den viktigaste förbättringen kom från tillgången till en andra markör.

Precision och träffsäkerhet

I valideringskohorten var biasen ungefär lika för alla tre ekvationerna (medianskillnad 3,9 kombinerad, 3,7 kreatinin, 3,4 cystatin C ml/min/1,73 m²). Det var precisionen och träffsäkerheten som förbättrades. Den kombinerade ekvationen nådde P30 = 91,5 % mot kreatininekvationens 87,2 % — uttryckt som stora fel: andelen estimat som avvek mer än 30 % (1−P30) sjönk från 12,8 % till 8,5 %, alltså ungefär en tredjedel färre grova fel. Förbättringen var störst i ett kliniskt viktigt intervall: bland deltagare vars kreatininbaserade eGFR låg i intervallet 45–74 ml/min/1,73 m² förbättrade den kombinerade ekvationen klassificeringen. Inker et al. beskriver därför den kombinerade ekvationen som ett konfirmatoriskt test — något att ta till när det kreatininbaserade värdet är osäkert, snarare än en rutinersättning.

Varför det fungerar — hypotesen, och dess gränser

Inker et al. tolkar förbättringen som förenlig med hypotesen att kreatininets och cystatin C:s icke-GFR-determinanter delvis är oberoende — de skriver uttryckligen “we hypothesize”, inte att mekanismen är bevisad. Idén är att medelvärdesbildning av två markörer med delvis oberoende fel får de markörspecifika felen att delvis ta ut varandra. Det enkla aritmetiska medelvärdet av separata eGFRcr och eGFRcys presterade nästan lika bra som den kombinerade regressionsekvationen. Det talar för att en stor del av förbättringen kommer från att markörerna vägs samman, snarare än från den specifika regressionsformen.

Det finns två begränsningar:

• Det gäller bara markörspecifikt fel, inte delat fel. Om båda markörerna är biaserade åt samma håll — en gemensam spektrumbias vid mycket lågt GFR, eller ett tillstånd som påverkar båda — så tar ingenting ut varandra, och medelvärdet ärver bias. Det är också därför medelvärdet inte alltid är bäst, som jag återkommer till i Del 7.
• Även biologisk variation och referensmetodfel finns kvar. Inker et al. tillskriver den kvarvarande imprecisionen tre källor: residuala icke-GFR-determinanter (markörbiologi), fysiologisk GFR-variation, och mätfel i själva referens-GFR. Markörbiologin är den enda av de tre som en andra markör kan angripa. De andra två påverkar valideringen av alla markörbaserade skattningar.

Att en andra markör kan ge större förbättring än enbart en ändrad funktionsform är min tolkning av studierna sammantagna. Inker et al. [13] jämförde inte dessa två förändringar isolerat i samma material. Resultatet visar däremot att en andra markör kan minska en del av den kvarstående osäkerheten.

Tre sätt att kombinera markörerna

Det finns flera sätt att kombinera markörerna, och ekvationsfamiljerna använder olika metoder.

• EKFC och Lund–Malmö tar det aritmetiska medelvärdet av de två färdiga eGFR-värdena: $(\text{eGFR}_{cr} + \text{eGFR}_{cys})/2$.
• FAS tar medelvärdet av de två Q-omskalade markörerna, $107{,}3 / (\tfrac{1}{2} S_{cr}/Q_{cr} + \tfrac{1}{2} S_{cys}/Q_{cys})$. Algebraiskt är det det harmoniska medelvärdet av de två eGFR-värdena.
• CKD-EPI anpassar i stället en dedikerad bivariat ekvation, med egna exponenter för varje markör.

De två första sammanfaller när markörerna är eniga — aritmetiskt ≥ geometriskt ≥ harmoniskt, med likhet bara vid full enighet. De skiljer sig alltså exakt i det fall kombinationen byggdes för. En 78-årig sarkopen kvinna med P-kreatinin 55 µmol/L och cystatin C 2,10 mg/L får eGFR 76 med LMR och 31 med könsneutral EKFC-cystatin C. Aritmetiskt blir det 53, geometriskt 48, harmoniskt 44 — CKD-EPI:s bivariata 2021-ekvation ger 46. De tre medelvärdena isolerar sammanvägningen av samma två skattningar; jämförelsen med CKD-EPI omfattar dessutom andra ekvationskoefficienter. Spannet är tio ml/min/1,73 m², och det korsar gränsen mellan G3a och G3b. Valet av medelvärde kan alltså byta patientens stadium. Avståndet växer med kvadraten på oenigheten: $\text{AM} - \text{HM} = (a-b)^2 / \big(2(a+b)\big)$.

Den bivariata ekvationen tvingar inte fram någon vikt. I 2021 års CKD-EPI-ekvationer bär kreatinin ensam exponenten −1,200 över knuten, men i den kombinerade ekvationen bara −0,544; cystatin C ensam bär −1,328, kombinerat −0,778. (I den ovan återgivna 2012-kombinationen är motsvarande kombinationsexponenter −0,601 och −0,711.) Båda markörernas lutningar krymper alltså tydligt i den gemensamma modellen. I den gemensamma modellen delar markörerna på förklaringsvärdet eftersom de innehåller överlappande information. Ett 50/50-medelvärde av två separat anpassade ekvationer kan inte representera det; det antar att markörerna är lika informativa och deras fel lika stora.

Metoderna ger ändå liknande resultat i praktiken. Jag tolkar det som ytterligare stöd för att en stor del av vinsten kommer från den andra markören. Ett enkelt medelvärde kan fånga mycket av denna information, även om en gemensam regression kan anpassa markörernas bidrag mer flexibelt.

Tre frågor återstår:

• Varför 50/50? Det finns inga starka belägg för att vikten ska vara lika. Vid sarkopeni är kreatininskattningen mer osäker. Bör den då få mindre vikt? Patientspecifik viktning görs inte rutinmässigt av någon.
• Vilket medelvärde? FAS harmoniska och EKFC:s aritmetiska är två närbesläktade familjer som valt olika, utan att någondera motiverar valet.
• Hur redovisas skillnaden? Diskordans mellan markörerna är i sig information (Del 7). Den kan tyda på betydande icke-GFR-påverkan på minst en markör. Skillnaden behöver därför synas även när ett kombinerat värde rapporteras.

Rasfaktorn i 2012 års ekvationer

Ett fynd i Inker et al. [13] pekar mot Del 4.8. Att lägga till ras förbättrade inte cystatin C-ekvationen, och cystatin-C-ensam-ekvationen behövde ingen rasterm alls. Men den mest träffsäkra 2012-ekvationen — den kombinerade — behöll fortfarande en rasfaktor, om än en mindre: 1,08, mot MDRD:s 1,212 och CKD-EPI 2009:s 1,159. Alltså: 2012 visade att en markörbaserad ekvation kunde fungera utan rasterm för cystatin C, och att kombinationen krympte faktorn — men den fullt rasfria lösningen kom först 2021. Faktorerna skiljer sig: 1,212 i MDRD, 1,159 i CKD-EPI 2009, 1,08 i den kombinerade 2012-ekvationen och ingen faktor för cystatin C ensam. Det gäller skilda ekvationer, inte en och samma parameter som successivt minskar.

Härifrån går två vägar: den nordiska tråden (Del 4.5) och rasfaktorns fortsatta krympning fram till dess fall 2021 (Del 4.8).

4.5 Lund–Malmö Revised och CAPA — svenska och europeiska data

MDRD och CKD-EPI utvecklades främst med iotalamat som referens, även om senare valideringar omfattade andra exogena markörer. Lund–Malmö-ekvationerna utgår i stället från en svensk/europeisk population med iohexol-plasmaclearance. När resultaten jämförs behöver både referensmetod och population vägas in.

Lund-Malmö Revised: en annan form, en annan referens

Björk et al. [8] utvecklade den reviderade Lund-Malmö-ekvationen (LM Revised) i 850 svenska deltagare av europeiskt ursprung (median-GFR 55, spann 5–173 ml/min/1,73 m²), med GFR bestämt ur plasmaclearance av iohexol — inte iotalamat. Iohexol-clearance följde Malmömetoden [18] — Gunnar Sterner är medförfattare till både denna och den ursprungliga Lund-Malmö-studien [19]: efter en i.v. iohexolbolus togs plasmaprover, och GFR beräknades ur en fyrapunkts-slopeclearance (3–24 h) eller ur ett enda prov vars tidpunkt valdes efter förväntad njurfunktion (4 h vid GFR > 50, 7 h vid 20–50, 24 h vid < 20 ml/min). Kroppsytan beräknades med DuBois-formeln (Del 1). Kreatininmetoderna var lokalt olika men IDMS-spårbara: Lund använde en enzymatisk Roche-metod (Hitachi Modular P), Malmö en modifierad Jaffe (Beckman LX20) med zero-point-kalibrering. Att båda var IDMS-spårbara betyder att LM Revised ligger på samma standardiserade kreatininskala som CKD-EPI — assaykalibreringen är alltså inte den variabel som skiljer dem åt. Det gör skillnaderna i referensmetod, population och funktionsform desto tydligare.

LM Revised använder en annan styckvis funktion än CKD-EPI:

$$\text{eGFR} = e^{\,X - 0{,}0158 \times \text{ålder} + 0{,}438 \times \ln(\text{ålder})}$$

där $X$ är styckvis i kreatinin kring en könsspecifik knut (180 µmol/L för män, 150 för kvinnor):

$$\begin{aligned} \text{Kvinna:}\quad &X = 2{,}50 + 0{,}0121 \times (150 - p_{Cr}) &&(p_{Cr} < 150) \\ &X = 2{,}50 - 0{,}926 \times \ln(p_{Cr}/150) &&(p_{Cr} \ge 150) \\[6pt] \text{Man:}\quad &X = 2{,}56 + 0{,}00968 \times (180 - p_{Cr}) &&(p_{Cr} < 180) \\ &X = 2{,}56 - 0{,}926 \times \ln(p_{Cr}/180) &&(p_{Cr} \ge 180) \end{aligned}$$

Två skillnader är värda att se närmare på. För det första är kreatinintermen linjär under knuten och logaritmisk över — ett annat sätt att låta formen böja sig än CKD-EPI:s min/max-spline. För det andra har LM Revised en krökt åldersterm: inte en enda ålderexponent (som MDRD:s $\text{ålder}^{-0{,}203}$ eller CKD-EPI:s $0{,}993^{\text{ålder}}$), utan en kombination av en linjär och en logaritmisk åldersterm ($-0{,}0158 \cdot \text{ålder} + 0{,}438 \cdot \ln \text{ålder}$). Åldersberoendet får böja sig på samma sätt som kreatininberoendet. (Detta är en av flera skillnader mot CKD-EPI — form, population, referensmetod — inte den enda.) Formen behåller prioriteringen att inte försämra klassificeringen vid lägre GFR-nivåer; Björk et al. visar att extra flexibilitet vid höga GFR-nivåer kunde kosta träffsäkerhet längre ned.

Resultat och extern giltighet

I den svenska kohorten hade LM-ekvationerna högre träffsäkerhet än MDRD och CKD-EPI. Björk et al. bedömde dem som bättre lämpade för den svenska population som kohorten representerade, men rekommenderade validering i andra populationer före generell användning.

Jag läser resultatet som en lokal styrka, samtidigt som det visar behovet av extern validering. Prestandan hänger samman med population, kreatininmetod, referensmetod och GFR-spektrum. Att LM Revised och CKD-EPI utvecklats mot iohexol respektive iotalamat kan bidra till skillnaderna, men Björk et al. visar inte att referensmetoden är den kausala förklaringen.

CAPA: cystatin C med färre termer

Parallellt utvecklade Grubb et al. [20] CAPA — en cystatin C-baserad ekvation, framtagen i Caucasian, Asian, Pediatric och Adult-kohorter (cirka 4 960 individer¹). Ekvationen är:

$$\text{eGFR} = 130 \times \text{cystatin C}^{-1{,}069} \times \text{ålder}^{-0{,}117} - 7$$

CAPA är praktiskt taget analysoberoende — den fungerar över olika cystatin C-metoder kalibrerade mot det internationella referensmaterialet (jfr ERM-DA471/IFCC i Del 4.4). Och den är formulerad utan termer för kön och ras — men den behåller ålder. Det är alltså inte en “demografifri” formel, utan en formel som klarar sig utan de två demografiska surrogat kreatininformlerna behöver mest. Det är delvis samma poäng som Inker et al. [13] antytt: cystatin C beror så lite på muskelmassa och etnicitet att en rasterm inte tillför något. Könsskillnaden behöver undersökas närmare. Min egen metaanalys [42] — 21 studier, drygt 46 000 friska vuxna — finner en konsekvent könsskillnad i plasma-cystatin C som är åldersberoende: sett över samtliga granskade studier ligger män i genomsnitt 8,6 % högre upp till 60 års ålder (poolad M/F-kvot 1,086; 95 % KI 1,059–1,113), och bara 3,4 % högre därefter (1,034). Det är gruppmedelvärden över studier, inte ett besked om var en enskild individ hamnar. Det motiverar att undersöka åldersberoende könskorrektion, men skillnader i markörnivå visar inte ensamma att en könsterm förbättrar skattningen av mGFR.

CAPA har färre termer än de styckvisa kreatininekvationerna: en potenslag med åldersterm och en linjär offset (−7), utan knutar. Den saknar köns- och rastermer men är fortfarande åldersberoende. Att markören behöver färre demografiska termer innebär alltså inte att den är helt oberoende av demografi.

FAS och EKFC hanterar demografiska skillnader på ett annat sätt. Där normaliseras markören mot ett förväntat värde, Q, innan den sätts in i ekvationen (Del 4.6).

---

¹ Totalantalet anges inkonsekvent i publikationen (både 4 690 och 4 960 förekommer); delkohorterna (svenska och japanska vuxna, nederländska och svenska barn) summerar till ~4 960.

4.6 FAS och EKFC — normalisering med Q

MDRD och CKD-EPI hanterar en del demografiska skillnader med multiplikativa faktorer, som ×0,742 för kvinnor och ×1,159 för svarta deltagare. FAS och EKFC använder i stället ett normaliserat kreatininvärde: koncentrationen divideras med Q, medel- eller medianvärdet hos friska personer av samma ålder och kön. Demografin påverkar då markörens ingångsvärde.

Markören i förhållande till Q

Idén är att göra markören dimensionslös relativt det normala. Om $S_{cr}/Q \approx 1$ har personen ett kreatinin som förväntat för sin ålder och sitt kön — och FAS ankrar då eGFR vid 107,3 ml/min/1,73 m², det genomsnittliga GFR för en frisk ung population. När $S_{cr}/Q$ avviker från 1 avviker eGFR från 107,3, omvänt proportionellt. Q fångar en del av ålders- och könsberoendet i normaliseringen. En separat åldersterm behövs fortfarande efter 40 år; däremot behövs ingen fristående könsmultiplikator.

FAS: en reciprok funktion av den normaliserade markören

FAS-ekvationen [21] använder den normaliserade markören i en reciprok funktion:

$$\text{eGFR} = 107{,}3 \times (S_{cr}/Q)^{-1}$$ $$\times\ 0{,}988^{(\text{ålder}-40)} \quad \text{om ålder} > 40$$

Kreatininexponenten är −1 — exakt den rena reciproken ($\text{GFR} \propto 1/\text{markör}$) som massbalansen förutsäger, och som MDRD:s −1,154 och CKD-EPI:s spline avvek ifrån. Efter normaliseringen använder FAS alltså en ren reciprok. Men EKFC (nedan) visar att en spline ($\alpha = 0{,}322$ respektive $1{,}132$) fortfarande kan läggas ovanpå samma normaliseringsprincip — normalisering och en mer flexibel funktionsform kan alltså användas tillsammans. Ålderstermen ($0{,}988^{(\text{ålder}-40)}$ över 40 år) fångar att GFR sjunker med åldern utöver det Q redan justerar för.

En praktisk fördel är kontinuiteten: eftersom Q definieras för varje ålder finns det ingen brytpunkt vid 18 år. En och samma ekvation spänner från barn till äldre — vilket löser den diskontinuitet som annars uppstår mellan pediatriska (Schwartz) och vuxna formler.

EKFC: en spline efter normaliseringen

EKFC (European Kidney Function Consortium) [22] generaliserar FAS genom att lägga tillbaka en spline, men nu i den omskalade markören:

$$\text{EKFC:}\quad \text{eGFR} = 107{,}3 \times (S_{cr}/Q)^{-\alpha}$$ $$\times\ 0{,}990^{(\text{ålder}-40)} \quad \text{om ålder} > 40$$

där $\alpha$ är styckvis — $\alpha = 0{,}322$ när $S_{cr}/Q < 1$ och $\alpha = 1{,}132$ när $S_{cr}/Q \ge 1$ (en flackare lutning under 1, en brantare över).¹ Det är alltså CKD-EPI:s spline-idé applicerad ovanpå Q-normaliseringen. Eftersom ålder och kön är absorberade i omskalningsfaktorn har EKFC-ekvationen ingen köns- eller rasterm i själva formen. Där CKD-EPI 2009 hade multiplikatorer för både kön (1,018) och ras (1,159), har EKFC inga alls — könet ligger i det könsspecifika Q, och rasfaktorn är helt borttagen (en eventuell populationsskillnad hanteras i stället med ett populationsspecifikt Q, Del 4.8, inte med en multiplikator). “Utan kön” gäller dock fullt ut bara för cystatin C-varianten (samma Q = 0,83 för båda könen); för kreatinin-EKFC finns ingen explicit könsterm, men könet lever kvar i ett könsspecifikt Q (mediankreatininet skiljer sig mellan könen). Ras är borttaget i båda.

EKFC-cystatin C-ekvationen [23] visar hur generell konstruktionen är: den har exakt samma matematiska form som EKFC-kreatinin, med $S_{cr}/Q$ ersatt av $S_{cys}/Q_{cys}$. Omskalningsfaktorn för cystatin C skattades ur en mycket stor svensk kohort — 227 643 patienter — och blev QcysC = 0,83 + 0,005 × (ålder − 50) för personer 50 år och äldre. Titeln på arbetet säger det rakt ut: en GFR-ekvation utan ras och kön.

Går ålder in två gånger i cystatin C-varianten?

Åldern kommer dock in på olika sätt. I EKFC-kreatinin är Q för vuxna fast (0,70/0,90 mg/dL), medan åldern påverkar den yttre termen $0{,}990^{(\text{ålder}-40)}$. I EKFC-cystatin C ändras även Q med åldern: 0,83 mg/L upp till 50 år och därefter $0{,}83 + 0{,}005 \times (\text{ålder} - 50)$. Den yttre ålderstermen finns kvar. För en patient över 50 ingår åldern alltså både i normaliseringen och som separat multiplikator.

Jag tolkar de två åldersberoendena som svar på olika frågor. Q anger vilken cystatin C-nivå som förväntas vid en viss ålder. Den yttre termen anger vilket indexerat GFR som motsvarar den nivån. Om en frisk persons koncentration ligger vid $S_{cys} \approx Q_{cys}$ blir kvoten $S_{cys}/Q \approx 1$ och skattningen $\text{eGFR} \approx 107{,}3 \times 0{,}990^{(\text{ålder}-40)}$. GFR sjunker då med åldern även när markören följer sin åldersförväntade nivå. Att stryka den yttre termen skulle ta bort detta åldersberoende, snarare än rätta en dubbelräkning.

Frågan är hur väl QcysC beskriver markörens åldersberoende. Modellen använder samma linjära ökning för båda könen, 0,005/år efter 50 år. Om den verkliga nivån inte följer denna linje blir $S_{cys}/Q \neq 1$ även för en frisk person. Avvikelsen påverkar skattningen genom spline-exponenten, −1,132 över Q och −0,322 under Q, men förstärks inte relativt av den yttre ålderstermen.

Min metaanalys [42] visar att könsskillnaden i plasma-cystatin C är åldersberoende. En gemensam linjär Q kan inte fånga en sådan ålder×kön-interaktion. Det ger en hypotes om kvarvarande systematiska fel, men visar inte att en annan Q förbättrar eGFR. Pottel et al. prövade könsspecifika QcysC, 0,86 för män och 0,79 för kvinnor, mot det gemensamma 0,83 utan meningsfull förbättring av skattningarna (Bilaga D). Det alternativet fångar inte heller hela den möjliga ålder×kön-interaktionen. Dessutom härleddes Q ur en blandad patient-/labbdatabas, med 50-årsgränsen vald av praktiska skäl. Eventuell eGFR-bias måste därför undersökas mot mGFR-data; den kan inte bestämmas ur markörskillnaden ensam.

Mitt val i verktyget. I mitt eGFR-verktyg är QcysC könsjusterat som förval, med könsneutral Q som valbart alternativ. Det är mitt eget val av normalisering, inte en litteraturrekommendation eller en visad förbättring av träffsäkerheten. Jag vill ta hänsyn till en uppmätt könsskillnad utan att kräva ytterligare provtagning. Men Pottels resultat, “no meaningful differences”, kvarstår: justeringen har inte visats ge bättre individuella skattningar. Att den är enkel att göra innebär heller inte att den är oskadlig; även den kan tillföra bias. P30:s begränsningar (Del 6) är inget belägg för en individuell nytta som inte har visats.

Supplementet visar ett blandat mönster. Vid mGFR ≥60 och ålder 40–65 år minskade medianbias (eGFR − mGFR) från −3,8 till −1,9 hos män och från +3,4 till +0,7 hos kvinnor med könsspecifikt Q. I samma GFR-stratum ökade däremot bias hos män 18–40 år från +0,2 till +3,2 och hos kvinnor ≥65 år från −2,0 till −4,5 (ml/min/1,73 m²; tabell S9.1b). Vid mGFR <60 minskade absolut bias hos kvinnor men ökade hos män i samtliga åldersgrupper (S9.1a) [23]. Könsspecifik normalisering kan alltså förbättra en grupp och försämra en annan; dessa resultat validerar inte min egen åldersramp.

Åldersstrukturen behöver dessutom hållas isär från själva könsskillnaden. 0,86/0,79 motsvarar en M/F-kvot på 1,089, nära metaanalysens 1,086 hos yngre vuxna [42]. Men Pottels könsspecifika alternativ lägger efter 50 år till 0,005 × (ålder − 50) till båda Q-värdena; kvoten krymper alltså redan med åldern, till cirka 1,071 vid 90 år. Metaanalysens mindre skillnad hos äldre motiverar att pröva ytterligare åldersanpassning, men varken storlek eller riktning på ett GFR-fel kan bestämmas ur dessa markörkvoter ensamma. Det kräver jämförelse mot mGFR.

Verktyget gör i stället könsjusteringen åldersberoende: full skillnad (1,086) upp till 55 år, linjär avtrappning till 65, och 1,034 därefter — lagd symmetriskt kring den könsneutrala Q:n, så att könens geometriska medelvärde bevaras. Hos yngre ligger normaliseringen nära Pottels 0,86/0,79; hos äldre är könskorrektionen mindre. Metaanalysen efterlyser en åldersberoende ansats men publicerar ingen, så rampen mellan 55 och 65 är min interpolation mellan två poolade skattningar, inte ett uppmätt samband. Interpolationen förbinder ändpunkterna utan ett språng vid 60, men hela justeringen behöver valideras mot mGFR, inklusive övergångens bredd och riktning.

Det går alltså inte att förklara ett oväntat lågt cystatin C-eGFR hos en äldre patient enbart från ekvationens form. Båda markörerna och mGFR behövs för att pröva hypotesen. Att åldern ingår på två ställen är i sig inget fel. Det som behöver undersökas är hur väl den gemensamma linjära Q-funktionen beskriver cystatin C-nivåerna över åldrar och kön.

Population

FAS utvecklades och validerades på poolade europeiska kohorter av vita individer i alla åldrar. FAScrea-originalet [21] byggde på 6 870 vita (735 barn); cystatin C-utvidgningen och den kombinerade formen [24] skattades på delmängden med cystatin C-mätningar — 6 132 vita (368 barn) från 11 kohorter. Kreatinin var IDMS-standardiserat. EKFC-cystatinens omskalningsfaktor bygger som nämnts på 227 643 svenska patienter. Referensmetoderna var clearance-baserade GFR-bestämningar med exogena markörer (blandade i de poolade kohorterna). Q-värdena är därmed kalibrerade för vita/europeiska populationer. Transportabiliteten till andra etniciteter handlar därför inte om en rasfaktor utan om att skatta populationsspecifika Q-värden.

Här blir populationsskillnader en fråga om markörens förväntade nivå (Del 4.8). Om den nivån skiljer sig kan Q skattas för den aktuella populationen, medan ekvationens form behålls. Det skiljer sig från MDRD:s och CKD-EPI:s fasta rasfaktorer.

---

¹ NEJM 2023 anger EKFC-formen generiskt (“Biomarker/Q”) med $\alpha = 0{,}322$ ($\text{biomarkör}/Q < 1$) och $\alpha = 1{,}132$ ($\ge 1$), och säger uttryckligen att endast Q skiljer sig per markör — så samma $\alpha$ gäller EKFC-kreatinin. Kreatinin-$\alpha$ = cystatin-$\alpha$ — EKFC-formen är alltså verkligt biomarköragnostisk, med endast Q som skiljer.

4.7 Barn och äldre — bedside-Schwartz, CKiD U25 och BIS (≥ 70 år)

Hos barn ändras muskelmassa och kreatininproduktion med tillväxten. Vuxenekvationernas ålder och kön räcker därför inte för att beskriva sambandet. De pediatriska ekvationerna tog tidigt in kroppsstorleken direkt, med längden som mått.

Schwartz: längd som mått på kroppsstorlek

Schwartz ursprungliga ansats [25] byggde på en enkel insikt: $\text{eGFR} = k \times \text{längd}/S_{cr}$, där längden fungerar som en proxy för kroppsstorlek och muskelmassa. Konstanten $k$ var inte universell utan berodde på ålder och kön, just för att kreatininproduktionen per längdenhet ändras under uppväxten — $k \approx 0{,}45$ för terminfödda spädbarn, $\approx 0{,}55$ för barn, $\approx 0{,}7$ för tonårspojkar (där muskelmassan ökar med puberteten) — medan tonårsflickor behåller barnens $0{,}55$. Detta var Jaffe-kalibrerade konstanter, framtagna i en serie Schwartz-arbeten (bl.a. [25], [26]; spädbarnsvärdet 0,45 härrör från Schwartz, Feld & Langford 1984 [27]). De är därför inte direkt jämförbara med moderna värden. Formen — längd delat med kreatinin — är i sig ett tidigt sätt att normalisera markören för kroppsstorlek.

Bedside-Schwartz 2009

En formel som fortfarande används för snabb uppskattning i klinisk rutin för barn är bedside-Schwartz [28], utvecklad i CKiD-studien (Chronic Kidney Disease in Children). Den är:

$$\text{eGFR} = 0{,}413 \times \dfrac{\text{längd (cm)}}{S_{cr}\ (\text{mg/dL})}$$

Det som hände mellan de gamla k-konstanterna och 2009 var kreatininstandardiseringen. När kreatininanalysen blev enzymatisk och IDMS-spårbar sjönk de uppmätta kreatininvärdena, och den gamla konstanten (~0,55) började då överskatta GFR — arbetet konstaterar uttryckligen att den gamla formeln överskattar mGFR (iohexol-clearance) med modernt kreatinin. Bedside-2009 löser det genom att sänka konstanten till 0,413, kalibrerad mot IDMS-spårbart kreatinin. Det är exakt samma händelse som MDRD:s 186 → 175 (Del 4.2), fast för barn: konstanten föll när markören standardiserades. Konstanten 0,413 hör alltså till den standardiserade kreatininskalan.

Markören är kreatinin; funktionsformen är fortfarande linjär i $\text{längd}/S_{cr}$ (inte en spline eller potenslag — en enklare form, motiverad av att pediatriska GFR-intervall är smalare); referensmetoden var iohexol-plasmaclearance (samma familj som den nordiska tråden, inte iotalamat); rapportenheten är indexerad per 1,73 m².

Population: CKiD var en kohort av barn och ungdomar med kronisk njursjukdom — median iohexol-GFR 41,3 ml/min/1,73 m² (IQR 32,0–51,7), median-Scr 1,3 mg/dl. Kalibreringen gäller alltså en pediatrisk CKD-population med lågt GFR. Bedside-formeln är därför bäst förstådd som en förenklad snabbformel, inte som pediatrikens slutpunkt.

CKiD U25: från barn till unga vuxna

CKiD-gruppen utvecklade senare U25-ekvationerna för personer 1–25 år [61]. Kreatininformen behåller Schwartz-strukturen,

$$\text{eGFR} = \kappa(\text{ålder},\text{kön}) \times \dfrac{\text{längd (m)}}{S_{cr}\ (\text{mg/dL})},$$

men ersätter den enda konstanten 0,413 med ålders- och könsspecifika $\kappa$-värden. Parallella ekvationer finns för cystatin C och för det aritmetiska medelvärdet av eGFRcr och eGFRcys. Konstruktionen spänner över övergången till ung vuxen ålder utan det artificiella hopp som uppstår när en barnformel på 18-årsdagen byts mot en vuxenformel. U25 är utvecklad i mild–måttlig pediatrisk CKD; kreatininekvationen har också validerats i en europeisk kohort av friska barn och unga vuxna med högre GFR, medan cystatin C-varianten där tenderade att underskatta mGFR [62].

Övergången till vuxen ålder har därmed hanterats på två sätt. U25 förlänger den pediatriska modellen med ålders- och könsberoende $\kappa$ upp till 25 år. FAS/EKFC använder en markörnormalisering för hela åldersspektrumet.

Diskontinuiteten — och de två strukturella lösningarna

Så länge bedside-Schwartz och en vuxenformel används var för sig uppstår ett problem vid gränsen: eGFR kan hoppa när patienten fyller 18 år trots att njurfunktionen inte ändrats över natten. Både CKiD U25 och FAS/EKFC undviker denna artefakt, men med olika konstruktioner och delvis olika användningspopulationer. U25 förlänger den längdnormaliserade pediatriska modellen genom ung vuxen ålder; FAS/EKFC definierar ett Q-värde för varje ålder och spänner kontinuerligt över ett ännu bredare åldersspektrum. Kontinuitet är i sig ingen garanti för bäst träffsäkerhet — ekvationen måste också vara validerad i en jämförbar population [1].

Schwartz $\text{längd}/S_{cr}$ var ett tidigt sätt att normalisera kreatininet för kroppsstorlek. U25 förfinade samma familj med ålders- och könsspecifik kalibrering; FAS:s $S_{cr}/Q$ generaliserade i stället principen genom att normalisera markören mot dess förväntade värde för ålder och kön. Pediatriken tvingade alltså fram kroppsstorleksnormaliseringen tidigt och utvecklade själv en övergångslösning, medan FAS/EKFC gjorde normaliseringsprincipen till en full-age-spectrum-modell.

BIS: ekvationer för äldre

Även för äldre har särskilda ekvationer utvecklats. Berlin Initiative Study (BIS) [43] tog fram två för personer ≥ 70 år, som var relativt få i CKD-EPI:s utvecklingskohort, omkring 650 deltagare ≥70. BIS byggde på en tysk populationsbaserad kohort med 610 deltagare, medelålder 78,5 år, varav 570 kunde utvärderas. Referensen var iohexol-plasmaclearance, liksom för Lund–Malmö, CAPA och bedside-Schwartz. Ekvationerna är:

$$\begin{aligned} \text{BIS1 (endast kreatinin):}\quad \text{eGFR} = 3\,736 &\times S_{cr}^{-0{,}87} \\ &\times \text{ålder}^{-0{,}95} \\ &\times (0{,}82\ \text{om kvinna}) \end{aligned}$$ $$\begin{aligned} \text{BIS2 (kreatinin + cystatin C):}\quad \text{eGFR} = 767 &\times S_{cys}^{-0{,}61} \\ &\times S_{cr}^{-0{,}40} \\ &\times \text{ålder}^{-0{,}57} \\ &\times (0{,}87\ \text{om kvinna}) \end{aligned}$$

I BIS-kohorten överskattade Cockcroft–Gault, MDRD och CKD-EPI samtliga GFR påtagligt; BIS1 och BIS2 hade minst bias. Ingen rasterm användes — kohorten var etniskt homogen och variabeln uteslöts.

BIS använder en enkel potenslag. Förbättringen mot CKD-EPI uppnåddes alltså utan en mer flexibel kurva, genom koefficienter anpassade till äldre. Det liknar erfarenheterna från Lund–Malmö (Del 4.5) och Q-omskalningen (Del 4.6): kalibrering för den aktuella populationen kan vara viktigare än ytterligare flexibilitet i funktionen.

Senare valideringar ger stöd för förbättrad träffsäkerhet hos äldre, men visar också att klassificering och prognos behöver bedömas separat. En systematisk översikt och metaanalys [44] fann att BIS1 (och FAS-kreatinin) hade signifikant högre P30 än CKD-EPI-kreatinin hos äldre, och en kinesisk äldrekohort [45] gav BIS1 en P30 på ~72 % mot CKD-EPI:s ~62 %. Men vinsten i träffsäkerhet översätts inte automatiskt till bättre beslut: i den stora ASPREE-kohorten [46] (n ≈ 17 700, medelålder 75) gav BIS1 och EKFC ett eGFR 12–15 ml/min/1,73 m² lägre än CKD-EPI 2021, och andelen med CKD steg från 21 % till 37–46 % — de flesta deltagarna flyttades till ett högre CKD-stadium. Det avgörande fyndet var att de långsiktiga utfallen var likartade mellan omklassificerade och icke-omklassificerade, vilket fick författarna att förorda en åldersanpassad tröskel (< 45) snarare än att helt byta till BIS1. Det är samma sorts omklassificeringsproblem som Del 4.8 diskuterar för rasfaktorn — och det är ett tröskelproblem, inte ett enkelt ekvationsfel: en ekvation kan ligga närmare mGFR och ändå kräva åldersanpassade beslutsgränser för att stadieindelningen ska bära samma prognostiska betydelse. En ändrad ekvation kan alltså behöva följas av en bedömning av vilka beslutsgränser som är relevanta för prognosen.

4.8 Hur rasfaktorn togs bort

När rasfaktorn togs bort behövde ekvationerna också anpassas på nytt. Att enbart stryka koefficienten förändrade biasen. Utvecklingen visar både de mättekniska avvägningarna och värdet av cystatin C som komplement till kreatinin.

Uppgången: en kurvanpassning som aldrig var en mekanism

Rasfaktorn uppstod empiriskt. I MDRD:s och CKD-EPI:s utvecklingskohorter hade svarta deltagare i genomsnitt ett högre kreatinin vid ett givet GFR, och regressionen fångade det som en multiplikativ faktor: ×1,212 i MDRD, ×1,159 i CKD-EPI 2009. Skillnaden tolkades som högre genomsnittlig muskelmassa och kreatininproduktion — men faktorn var en kurvanpassningsparameter som fångade en genomsnittlig association i ett datamaterial, inte en validerad mekanism. Faktorns storlek skilde sig mellan modellerna: 1,212 → 1,159 → 1,08 i den kombinerade 2012-ekvationen → noll för cystatin C ensam. Den var alltså beroende av både markörval och modell.

Problemet: en social konstruktion i en fysiologisk formel

Tre invändningar blev centrala. För det första är ras en social, icke-biologisk konstruktion [29] — en binär “svart/icke-svart” ska fånga den genetiska variationen hos en hel kontinent. För det andra var muskelmassa-rationalen aldrig validerad som förklaring till skillnaden. För det tredje: faktorn höjde svarta patienters rapporterade eGFR med runt 16 %, vilket kunde fördröja diagnos, specialistremiss, transplantationsutredning och dosjusteringar genom att få njurfunktionen att framstå som bättre än den var.

Hsu CY et al. [30] prövade om problemet kunde lösas genom att byta självrapporterad ras mot genetisk härkomst . Det gick inte: härkomst gav ungefär likvärdiga estimat och tog inte bort felklassificeringen när variabeln ströks ur kreatininekvationen.

Gruppskillnader och möjliga förklaringar

Skillnaderna i utvecklingsmaterialen hade också motsvarigheter i andra studier. I en fransk kohort av afrikansk-europeisk härkomst, parmatchad mot vita européer på GFR, ålder, kön, BMI och kroppsyta, var kreatininutsöndringen ändå ~7 % högre (21,8 mot 20,4 mg/kg/dygn) [47] , även efter matchningen. Men den bäst anpassade rasfaktorn där blev 1,08 (95 % KI 1,048–1,114), tydligt lägre än CKD-EPI:s amerikanska 1,159, trots att kohorten mest härstammade från Västafrika. En faktor som ska fånga samma biologi tar alltså olika värden i olika populationer — vilket talar mot en fast biologisk konstant.

Den föreslagna mekanismen har däremot svagt stöd. Testosteron ger inget enkelt stöd: i ett nationellt representativt amerikanskt urval skilde sig justerat totalt testosteron inte signifikant mellan svarta och vita män (5,29 mot 5,11 ng/ml) — det var östradiol och SHBG som skilde sig [48]. Androgenreceptorns CAG-repeat är kortare (mer aktiv receptor) hos män av afrikansk härkomst (median 19 mot 21) [49] — ett möjligt mekanistiskt samband — men steget därifrån till muskelmassa och kreatininproduktion är oprövat. Och muskelmasse-rationalen var tunn från början: studierna som MDRD 1999 lutade sig mot omfattade tillsammans ~176 svarta försökspersoner, och ingen mätte muskelmassa direkt [50].

Hsu CY et al. ger ytterligare underlag [30]. När de ersatte den binära rasvariabeln med ett kvantitativt mått på genetisk afrikansk härkomst bar härkomsten en reell association (~+1 % GFR per 10 % afrikansk härkomst) — men den ersatte ras ungefär lika väl snarare än att slå den, och tog inte bort felklassificeringen; cystatin C gav däremot nära obiaserade estimat helt utan endera. Vore skillnaden i huvudsak en västafrikansk-genetisk effekt borde ett graderat härkomstmått ha slagit den grova kategorin — att det inte gjorde det, samtidigt som en helt annan markör löser problemet, pekar bort från en enskild härkomstmekanism. Min tolkning är att faktorn fångade en populationsspecifik association utan klarlagd biologisk mekanism. Det motiverar att söka mer direkt information genom cystatin C eller populationsanpassad normalisering (Del 4.6), snarare än att använda en grov raskategori för den enskilda patienten.

Bias när rasfaktorn togs bort

Inker et al. [31] jämförde följderna för skattningen (12 studier, 4 050 deltagare, 14,3 % svarta):

• 2009-ekvationen med rasfaktor överskattade GFR hos svarta med i median 3,7 ml/min/1,73 m².
• Att bara stryka rasfaktorn ur den gamla ekvationen underskattade GFR hos svarta med hela 7,1 — ett större fel än det man ville rätta.
• Den nya 2021-ekvationen (omanpassad utan ras, med ålder och kön) blev en kompromiss: den underskattar GFR hos svarta med 3,6 och överskattar hos icke-svarta med 3,9.

I detta material gick det alltså inte att få samma anpassning för båda grupperna med en gemensam kreatininekvation. De genomsnittliga icke-GFR-determinanterna skilde sig, oavsett orsak. Den nya rasfria ekvationen innebar en avvägning mellan gruppernas bias, samtidigt som den tog bort behovet av att tilldela patienten en raskategori.

Cystatin C och den kombinerade ekvationen

Det som gör 2021 till mer än en kompromiss är cystatin C. Inker et al. [31]: cystatin C utan ras hade minimal bias i båda grupperna och en mycket mindre rasskillnad än 2021-kreatininekvationen (−0,1/+0,7 mot +3,6/−3,9 ml/min/1,73 m²), även om P30 var bättre bara hos icke-svarta (88,9 vs 86,5) och något sämre hos svarta (84,6 vs 87,2). Den kombinerade eGFRcr-cys 2021 var mest träffsäker av alla (P30 90,5/90,8) med de minsta gruppskillnaderna. Logiken är Del 4.4:s: eftersom cystatin C knappt beror på det som skiljer grupperna (muskelmassa m.m.), minskar en andra markör beroendet av kreatininets rasberoende beteende. Därför rekommenderas eGFRcr-cys 2021 som mest träffsäkert, med cystatin C för konfirmation ([31]; [29]).

Jag ser detta som stöd för att minska beroendet av kreatinin när dess fel samvarierar med en social kategori. Cystatin C tillför information som kan minska gruppskillnaderna utan en rasfaktor.

Markörval och populationsanpassning

Här möts flera av erfarenheterna från de tidigare avsnitten. Cystatin C minskar beroendet av kreatininets demografiska samband (Del 4.4). Validering i nya populationer visar hur väl en ekvation kan överföras (Del 4.5). Q-omskalning hanterar skillnader i markörens förväntade nivå (Del 4.6). EKFC och CKD-EPI har valt olika konstruktioner, men båda söker en skattning utan en fast rasfaktor.

Varför förändringen kom 2021

Borttagandet inträffade i en bestämd historisk kontext. NKF-ASN-arbetsgruppen tillsattes i juli 2020 och rapporterade 2021, och interimrapporten [29] kopplar själv reformen till samtiden: ras i medicinen har hamnat under luppen “i ljuset av den senaste tidens uppgörelse med rasism … i USA”. Rapporten ger alltså stöd för att samhällsdebatten 2020–21 påskyndade förändringen. (Rapporten namnger uppgörelsen abstrakt; George Floyd och Black Lives Matter nämns i sekundärlitteraturen, inte i rapporten själv.)

Den historiska tidpunkten och den vetenskapliga kritiken behöver ändå skiljas åt. Kritik mot faktorns biologiska förankring fanns långt före 2021: den krympande koefficienten antydde redan från 2012 att faktorn fångade något allt mindre robust; Eneanya med flera argumenterade mot ras i eGFR redan 2019 [50], och redan 2008 hade Hsu J et al. visat att det högre serumkreatininet hos svarta patienter inte förklarades av kroppssammansättning [51]; Vyas et al. gjorde 2020 samma sak tvärs över flera specialiteter [52]. Det nya 2020–21 var inte kritiken utan att viljan att agera sammanföll med en praktisk lösning — de rasfria ekvationerna [31] och Hsu-analysen av ras kontra genetisk härkomst [30].

Rasfaktorn byggde på en empirisk association med osäker biologisk förklaring. Kritiken växte under lång tid, och samhällsdebatten 2020–21 bidrog till att förändringen genomfördes. Det handlade om modellval och konsekvenser för patienter, snarare än om ett enkelt räknefel.

Del 5–8 — Tolkning och syntes

5 Absolut vs indexerat GFR — kliniska konsekvenser

Laboratoriet rapporterar vanligen eGFR i ml/min/1,73 m². Värdet är normaliserat till en standardkroppsyta och behöver skiljas från patientens absoluta filtration. Indexeringen passar för klassifikation. Vid läkemedelsdosering behöver man också kontrollera vilken enhet doseringsunderlaget avser, särskilt vid extrem kroppsstorlek och smalt terapeutiskt intervall.

Vad indexeringen gör, och varför

Absolut GFR är patientens faktiska filtrationshastighet, i ml/min. Indexerat GFR är samma storhet normaliserad till en standardkroppsyta på 1,73 m²:

$$\text{indexerat eGFR} = \text{absolut eGFR} \times \dfrac{1{,}73}{\text{BSA}}$$

Indexeringen gör personer av olika storlek mer jämförbara. En stor person kan ha högre absolut GFR utan att njurfunktionen i förhållande till kroppsstorleken är bättre. Referensintervall och CKD-stadier uttrycks därför i indexerade enheter (KDIGO, Del 0).

1,73 m²: ett tal från 1928

Varför just 1,73 m²? Talet är medelvärdet av kroppsytan hos en 25-årig man och en 25-årig kvinna, beräknad ur aktuariska längd–vikt-tabeller (Del 1) — alltså inte ett medel av ett uppmätt material. Det kommer — som Del 1 visar — från Möller, McIntosh och Van Slyke 1928, i deras arbete med ureaclearance. Det var inte DuBois; DuBois bidrog med formeln för att beräkna kroppsytan ur längd och vikt, inte med normeringskonstanten.

Konstanten är nästan ett sekel gammal: medelkroppsytan i dagens befolkning är större, så 1,73 m² normaliserar mot en historisk snarare än samtida referens. Det gör indexeringen något godtycklig, men eftersom alla använder samma konstant förblir värdena inbördes jämförbara — vilket är det som räknas för klassificering.

När indexerat vilseleder

Det indexerade värdet kan vilseleda när patientens kroppsyta avviker påtagligt från 1,73 m², och konsekvensen är störst när doseringsunderlaget avser absolut njurclearance:

• Stor kropp. En storväxt person kan ha ett indexerat eGFR på 90 men ett absolut GFR omkring 130 ml/min. Om en doseringsregel egentligen förutsätter ml/min men det indexerade talet används direkt finns risk för underdosering. Vid obesitas tillkommer dock osäkerhet i både markörbiologi, BSA-skattning och distributionsvolym; hög kroppsvikt innebär inte automatiskt proportionellt högre läkemedelsclearance.
• Liten kropp, kakexi, amputation. Här är absolut GFR lägre än indexerat; om det indexerade värdet sätts in i en regel avsedd för ml/min finns risk för överdosering. Samtidigt kan kreatininbaserat eGFR i sig överskatta GFR vid låg muskelmassa.
• Extremt BMI. Här blir dessutom själva BSA-skattningen (DuBois) mindre tillförlitlig, så både indexering och avindexering bär större fel.
• Barn → vuxen. Kroppsytan ändras snabbt; pediatriska ekvationer (Del 4.7) och normeringen måste hanteras med särskild försiktighet i övergången.

En felaktig enhet kan alltså ge ett fel i användningen. Samtidigt kan vid extrem kroppssammansättning kan också själva GFR-skattningen och läkemedlets övriga farmakokinetik vara osäkra.

När absolut GFR är relevant för doseringen

Icke-indexerat GFR ligger närmare den faktiska filtrationskapacitet som bidrar till renal läkemedelsclearance. Men läkemedel elimineras inte enbart genom glomerulär filtration: tubulär sekretion och reabsorption, metabolism, proteinbindning och distributionsvolym kan också vara avgörande. Därför finns ingen universell regel där ett visst GFR-mått alltid är rätt. Den aktuella produktinformationen — exempelvis via FASS [32] — avgör vilken storhet, enhet och beslutsgräns doseringsstudierna bygger på. För karboplatin bygger Calvert-formeln uttryckligen på absolut GFR, medan många äldre preparat har doseringsgränser validerade mot Cockcroft–Gault.

Det är också en förklaring till varför Cockcroft–Gault (Del 4.1) har överlevt: CG skattar absolut kreatininclearance i ml/min, och många historiska farmakokinetiska studier och produkttexter använder just den storheten. Att CG är en äldre, icke-standardiserad clearance-skattning snarare än ett GFR-mått är en separat svaghet — men man kan inte utan vidare byta ekvation om doseringsgränsen bara har validerats på CG-skalan.

Moderna eGFR-ekvationer har samtidigt metodologiska fördelar: standardiserade analyser, bredare utvecklingsmaterial och direkt kalibrering mot mGFR. KDIGO 2024 anger därför att validerat kreatinin-eGFR är lämpligt för dosering i de flesta kliniska situationer; när högre noggrannhet behövs bör eGFRcr-cys eller mGFR övervägas. Vid extrem kroppsvikt kan eGFR avindexeras till ml/min, särskilt för preparat med smalt terapeutiskt intervall eller krav på en lägsta effektiv koncentration [1]. FDA:s vägledning accepterar moderna, brett använda GFR-ekvationer i farmakokinetiska studier [59], och en amerikansk konsensus rekommenderar en successiv övergång från CG till rasfria eGFR-baserade dosbeslut [60]. Det upphäver inte preparatets befintliga produktinformation: metodbytet och enhetsbytet är två skilda beslut.

Praktisk rekommendation: när avindexera

Tumregeln:

• Klassificering, stadieindelning och jämförelse mellan personer → använd det indexerade eGFR:t som labbet rapporterar.
• Trendtolkning hos en känd patient → jämför även mot patientens egen baslinje, helst med RCV eller personligt referensintervall (Del 7).
• Läkemedelsdosering → följ i första hand preparatets aktuella produktinformation och använd den njurfunktionsstorhet och enhet som doseringsgränsen avser. För de flesta patienter är validerat eGFRcr användbart; vid avvikande kroppsstorlek och en doseringsregel i ml/min kan eGFR avindexeras:

$$\text{absolut GFR} = \text{indexerat eGFR} \times \dfrac{\text{BSA}}{1{,}73}$$

med BSA ur längd och vikt (DuBois). Även BSA-formelns osäkerhet förs då in i skattningen. Vid smalt terapeutiskt intervall, osäkra icke-GFR-determinanter eller kritiska dosbeslut bör eGFRcr-cys, mGFR och — när tillgängligt — terapeutisk läkemedelsmonitorering övervägas [1].

I felbudgetens termer (Del 8) är en sammanblandning av indexerat och absolut GFR ett användningsfel. Vid extrem kroppssammansättning kan det dock samexistera med markör-, BSA- och farmakokinetiska fel — vilket är skälet till att en enkel avindexering inte alltid löser hela doseringsproblemet.

6 Bias, precision och träffsäkerhet

En ekvation behöver bedömas med flera mått: bias beskriver systematiska avvikelser, precision spridningen och träffsäkerhet hur ofta skattningen hamnar inom en vald felmarginal. Alla tre sammanfattar resultat i en grupp. De anger inte hur säkert värdet är för en viss patient. Dessutom beräknas de mot mGFR, som har egen mätosäkerhet.

Tre mått på ekvationens resultat

Bias är det systematiska felet: tenderar formeln att över- eller underskatta? Det mäts vanligen som medianskillnaden mellan mGFR och eGFR — mätt minus skattat, så en positiv bias betyder att formeln underskattar (median föredras framför medelvärde, eftersom den är robust mot extremvärden), i ml/min/1,73 m² eller i procent. En bias nära noll betyder att formeln träffar rätt i genomsnitt — men säger inget om spridningen kring det genomsnittet.

Precision är spridningen: hur brett skillnaderna fördelar sig. Den anges ofta som interkvartilavståndet (IQR) för skillnaderna. Två ekvationer kan ha samma bias, även noll, men mycket olika spridning i de individuella avvikelserna.

Träffsäkerhet slår ihop bias och precision i ett enda kliniskt tal: P30, andelen eGFR-värden som ligger inom ±30 % av mGFR (dvs. mellan 0,7 och 1,3 gånger det sanna värdet). P10 är den strängare varianten (±10 %). P30 används ofta för att sammanfatta hur stor andel av skattningarna som ligger inom den valda felmarginalen.

P30: varför 30 %, vad målet är, och vad 1−P30 döljer

Gränsen 30 % är en kliniskt vald felmarginal snarare än en statistiskt bestämd gräns — bred nog att rymma referensmetodens eget brus och markörbiologins oundvikliga variation, smal nog att ett värde inom den sällan ändrar handläggningen. ~90 % av skattningarna inom ±30 % av mGFR brukar anges som mål för god träffsäkerhet, och ~75–90 % som adekvat för kliniskt beslutsfattande i många situationer; KDIGO hänvisar till samma tröskel. De bästa moderna ekvationerna ligger i den övre delen av det spannet [33] — i studierna jag tar upp ligger enskilda kreatininekvationer ofta kring mitten till övre 80-talet, medan kombinationen med en andra markör når omkring 90 (Del 3, Del 8).

Två begränsningar är särskilt viktiga:

1. 1−P30 är inte litet. En formel med P30 = 90 % missar per definition ±30 %-bandet för var tionde patient. Vid P30 = 85 % är det mer än var sjunde. Även en högt rankad ekvation ger alltså kliniskt betydande fel hos en del patienter.
2. P30 anger inte hur stora avvikelserna utanför gränsen är. En patient vars eGFR är 31 % fel och en vars är 200 % fel bidrar lika mycket till 1−P30. Två ekvationer med samma P30 kan därför skilja sig betydligt i storleken på de största felen.

Populationsmått vs det individuella prediktionsintervallet

Figur 5. Population mot individ — schematisk jämförelse av osäkerheten i gruppens medel-GFR och hos en individ. Kurvorna visar inga validerade intervall och är inte härledda ur P30. Bias, precision och P30 beskriver felens fördelning i en kohort. Vi vet däremot inte var i fördelningen en viss patient hamnar. P30 kan därför inte direkt översättas till ett individuellt prediktionsintervall.

Ett räkneexempel visar både nyttan och gränsen. Om eGFR är 60 ml/min/1,73 m² motsvarar själva P30-definitionens algebraiska band ett mGFR på ungefär 46–86, eftersom det är eGFR som ska ligga mellan 0,7 och 1,3 gånger mGFR. Men kohortens P30 på exempelvis 85 % betyder inte att just en patient med eGFR 60 har 85 % sannolikhet att ligga i detta intervall. Den betingade fördelningen $P(\mathrm{mGFR}\mid\mathrm{eGFR}=60,\text{patientdata})$ kan skilja sig mellan GFR-nivåer och patientgrupper och måste skattas direkt ur lokala residualdata eller en särskild prediktionsmodell. Spannet 46–86 är därför en illustration av hur brett ±30 %-kriteriet är, inte ett 85-procentigt prediktionsintervall.

Ett gott resultat för gruppen gör alltså inte punktvärdet exakt för individen. För att ange ett individuellt prediktionsintervall behövs en validerad betingad felmodell, helst uppdelad efter relevanta kliniska och analytiska förhållanden. En bättre ekvation kan höja populationsmåtten utan att undanröja den individuella osäkerheten (Del 3, Del 8).

Referensmetodens mätosäkerhet

Referensmetoden bidrar också till den observerade spridningen. Iohexol- och iotalamatclearance har egen imprecision, så en del av avvikelsen mot mGFR kommer från referensmätningen. Den kan inte tillskrivas skattningsekvationen.

Inker et al. [13] sade det uttryckligen: en del av den kvarvarande imprecisionen speglar begränsningar i referensstandarderna snarare än fel i skattningsekvationerna. (Notera nyansen från Del 8: detta är ett golv för observerad valideringsprecision, inte nödvändigtvis för den sanna träffsäkerheten.) Ett högt P30 är därför inte självt bevis för överanpassning — ±30 %-bandet är brett. Överanpassning bedöms bättre genom oberoende extern validering, kalibrering över GFR-registret, P10 och residualernas svansar än genom att misstänkliggöra ett högt P30 i sig.

Resultat i de jämförda studierna

• En andra markör lyfte P30 från 87,2 (kreatinin ensam) till 91,5 % (kombinerad kreatinin–cystatin C) i Inker 2012. Förbättringen byggde på att ytterligare markörinformation tillfördes. (Större språng finns — BIS1 hos de allra äldsta, Del 4.7 — men de kommer från populationsspecifik omkalibrering i en smal grupp, inte från en generellt bättre ekvation.)
• I Inker 2021 låg de rasfria kreatininvarianterna i mitten av 80-talet (86,5 % hos icke-svarta, 87,2 % hos svarta), cystatin C något högre hos icke-svarta (88,9) men lägre hos svarta (84,6), och den kombinerade ekvationen högst (90,5/90,8 %).
• En bättre funktionsform (CKD-EPI över MDRD) gav storleksordningen ~3,5 procentenheter.

I dessa studier ligger kreatininekvationerna ofta kring mitten till övre 80-talet i P30 (Del 3). Högre värden har framför allt uppnåtts när en andra markör lagts till. Det stöder min tolkning att ytterligare ändringar av funktionsformen ger begränsade vinster, men utgör ingen absolut övre gräns.

7 Klinisk tolkning — när markörer sviktar

Vid tolkningen av ett eGFR-värde behöver man bedöma vad som kan påverka markören utöver GFR. Två sätt att få mer information är att mäta både kreatinin och cystatin C och att jämföra med patientens tidigare värden.

När en enskild markör sviktar

Kreatinin och cystatin C har delvis olika felkällor.

Kreatinin speglar muskelmassa och kreatininomsättning lika mycket som filtration. Det överskattar GFR vid låg muskelmassa (kakexi, amputation, hög ålder, långvarig immobilisering, avancerad leversjukdom) och underskattar vid hög (kroppsbyggare, högt köttintag, kreatintillskott). Tubulär sekretion — som normalt bidrar med en icke försumbar andel av kreatininutsöndringen — hämmas av läkemedel som trimetoprim, cimetidin och vissa proteashämmare, vilket höjer P-kreatinin utan att GFR ändrats. Historiskt fångades en del av mellan-gruppsvariationen dessutom av rasfaktorn (Del 4.8).

Cystatin C är betydligt mindre beroende av muskelmassa, men inte determinantfritt. Det påverkas av tyreoideafunktion (hypertyreos höjer, hypotyreos sänker), kortikosteroider i högre doser, hög cellomsättning, uttalad inflammation, obesitas och rökning.

Det avgörande är att kreatininets och cystatin C:s felkällor bara delvis överlappar. Inker et al. [13] föreslog att oberoende icke-GFR-relaterade fel bidrar till vinsten av att kombinera markörerna; studien visade förbättrad träffsäkerhet, inte generell oberoende mellan felen. Cystatin C är mindre känsligt för låg muskelmassa, men båda markörerna har egna störfaktorer och i exempelvis akut sjukdom kan felen samvariera (Del 4.4).

Vad kombinationen förbättrar och vilka fel som kvarstår

eGFRcr-cys — egentligen en gemensam regression snarare än ett rakt medelvärde av de två markörerna — var i Inker 2012 och 2021 mer träffsäker än endera markören för sig (Del 4.4/4.8). Mekanismen är statistisk: om två skattningar har oberoende fel viktar kombinationen bort den markörspecifika komponenten och lämnar kvar det gemensamma.

Kombinationen har två gränser som är kliniskt viktiga:

1. Delad bias ärvs. Om samma kliniska tillstånd eller samma kalibreringsfel drar båda skattningarna åt samma håll försvinner felet inte i en kombinerad ekvation — kombinationen dämpar främst oberoende, markörspecifikt brus. Oberoendet är ett antagande, inte en garanti.
2. Stark diskordans är information, men kombinationen är ändå oftast den bästa skattningen. När eGFRcr och eGFRcys skiljer sig markant pekar divergensen på att minst en markör har betydande icke-GFR-determinanter. I stora jämförelser mot mGFR har eGFRcr-cys samtidigt varit mer träffsäkert än endera enkelmarkörekvationen just i de diskordanta grupperna; när markörerna är överens har alla tre skattningarna haft likartad träffsäkerhet [63][1]. Diskordansen är alltså skäl att tolka mer, inte att automatiskt förkasta kombinationen.

Skillnaden mellan markörernas eGFR kan alltså vara kliniskt informativ och bör bedömas tillsammans med det kombinerade värdet. En uttalad divergens tolkas efter att uppenbara icke-GFR-determinanter till båda markörerna (låg muskelmassa, steroider, inflammation, tyreoidearubbning) värderats — låg kvot är inte i sig diagnostisk. Finns en tydlig, isolerad störning av kreatininproduktionen hos en i övrigt stabil patient kan eGFRcys vara rimligare än kombinationen; om båda markörerna kan vara störda eller beslutet kräver hög noggrannhet bör mGFR övervägas [1].

Patienten som sin egen referens

Även patientens tidigare prover kan ge information som saknas i ett enstaka värde. För att tolka förändringen behöver vi känna till den biologiska variationen.

Varje analyt har en variation inom individen över tid ($\text{CV}_I$) och en variation mellan individer ($\text{CV}_G$). Deras kvot är individualitetsindexet (II = $\text{CV}_I/\text{CV}_G$). När II är lågt (under ~0,6) är populationsreferensintervallet okänsligt för förändringar inom en individ: en person kan röra sig avsevärt från sitt eget normalläge och ändå stanna innanför referensgränserna, eftersom den mellanindividuella variationen som intervallet spänner över är mycket större än personens egen variation över tid.

Kreatinin har lågt individualitetsindex. Direktavläst ur EFLM Biological Variation Database [34]: kreatinin $\text{CV}_I$ 4,4 % (95 % CI 2,3–4,9) och $\text{CV}_G$ 15,8 % (12,6–17,2), alltså II ≈ 0,28; cystatin C $\text{CV}_I$ 3,3 % (2,1–8,6) och $\text{CV}_G$ 10,8 % (8,3–15,1), alltså II ≈ 0,31. Båda ligger under 0,6-tröskeln för hög individualitet. Det innebär att en patients kreatinin kan stiga med en kliniskt betydande andel och fortfarande ligga “normalt” mot populationen — men vara tydligt avvikande mot patientens eget tidigare värde.

Verktyget som formaliserar detta är referensändringsvärdet (RCV): en tröskel för hur stor en seriell förändring behöver vara för att vara ovanlig vid oförändrad individuell nivå, givet den analytiska och biologiska variationen:

$$\text{RCV} = \sqrt{2} \times z \times \sqrt{\text{CV}_A^2 + \text{CV}_I^2}$$

Med labbets egna analytiska $\text{CV}_A$ (Universitetssjukhuset i Linköping, Klinisk kemi: 1,5 % för kreatinin, 3 % för cystatin C) blir bidirektionell RCV vid 95 %: $\text{RCV} = \sqrt{2} \times 1{,}96 \times \sqrt{\text{CV}_A^2 + \text{CV}_I^2}$. För kreatinin ($\text{CV}_A$ 1,5 %, $\text{CV}_I$ 4,4 %) ≈ 12,9 %; för cystatin C ($\text{CV}_A$ 3 %, $\text{CV}_I$ 3,3 %) ≈ 12,4 %.

En seriell markörförändring över ~13 % överskrider därmed den tvåsidiga 95-procentströskeln under modellens antaganden. Det är inte ett besked om 95 % sannolikhet för en verklig GFR-förändring; även mindre förändringar kan vara verkliga. I stabil klinisk kontext talar den för ändrad filtration, men icke-GFR-determinanter (kost, sekretionshämmande läkemedel, muskelförändring, inflammation) och icke-steady-state måste först uteslutas — jämförelsen mot patientens eget värde är ändå långt känsligare än populationsreferensintervallet.

Med dessa analysvariationer blir RCV liknande för de två markörerna: cystatin C:s lägre biologiska variation ($\text{CV}_I$ 3,3 mot 4,4) motverkas av dess högre analytiska variation ($\text{CV}_A$ 3 mot 1,5), så dess RCV blir bara marginellt lägre än kreatininets — i praktiken jämförbar, inte tydligt bättre. Detta är typiskt (immunoassayer för cystatin C är analytiskt brusigare än enzymatiskt kreatinin), men den exakta avvägningen är labbspecifik. (eGFR:s RCV skalas från markörens med ekvationens lokala lutning — brantare för MDRD:s −1,154, variabel för EKFC-splinen — och härleds specifikt i Thöni/Keller-metaanalysen [35].)

Jämförelsen över tid ändrar alltså tolkningen, inte eGFR-skattningen. När patienten jämförs med sig själv behöver man inte förhålla sig till hela den mellanindividuella variationen ($\text{CV}_G$). Det är särskilt användbart för kreatinin och cystatin C, som har lågt individualitetsindex. Ett tidigare värde och en beräkning av förväntad variation kan därför tillföra mer än enbart jämförelsen med laboratoriets populationsreferensintervall.

Ett personligt referensintervall, RIper eller prRI, använder liknande variationsdata: $\text{CV}_A$ och $\text{CV}_I$. RCV anger hur stor skillnaden mellan två värden behöver vara för att vara ovanlig vid oförändrad individuell nivå. Ett personligt referensintervall anger i stället ett förväntat område för nästa provsvar, som kan användas vid den löpande bedömningen.

Den första praktiska modellen är Coşkun et al. [53]: patientens eget medelvärde ± en multipel av den kombinerade variationen, $\pm Z\sqrt{\text{CV}_A^2 + \text{CV}_I^2}$, där $\text{CV}_I$ lånas från populationens biologiska variation i stället för att skattas ur patientens egna prover. Den gemensamma variationsskattningen gör att omkring tre tidigare steady-state-värden räcker för ett användbart, smalt intervall (ansatser som skattar individens varians ur hens egna data kräver normalt fler). I 784 vuxna i steady state (27 vanliga analyter) hamnade varje patients intervall, som väntat, inom populationsreferensintervallet men utgjorde bara en liten del av dess bredd, förenligt med att variationen inom individen är liten i förhållande till variationen mellan individer.

Coşkun-modellen utgår från patientens observerade medelvärde. Røys et al. [54] använder parametrisk empirisk Bayes, PEB, för att väga samman det med populationsmedelvärdet. Vikten $B_n$ på patientens data ökar med antalet prover, samtidigt som intervallet smalnar. Vid $n=0$ återfås populationsreferensintervallet. Vid $n=1$ kan nästa värde jämföras med ett intervall som har en smalare tröskel än traditionellt RCV, men också ett annat centrum. Med fler prover får patientens egna värden allt större betydelse.

Viktningen tar hänsyn till regression mot medelvärdet: ett enstaka högt prov kan bero på både en hög grundnivå och tillfällig variation. Den skattade grundnivån hamnar därför mellan provsvaret och populationsmedelvärdet. Mitt RIper-verktyg använder denna modell. Beräkningen och dess begränsningar beskrivs i Personliga referensintervall med parametrisk empirisk Bayes.

Baslinjen måste representera det tillstånd man vill jämföra med. Om den ska beskriva ett friskt normalläge behöver proverna ha tagits under ett friskt, stabilt tillstånd. RCV, som jämför två värden, är mindre beroende av en sådan baslinje, även om stabilitet också underlättar den tolkningen. PEB:s viktning mot populationen kan dämpa effekten av ett tillfälligt avvikande prov, men drar också personer med en stabilt ovanlig nivå mot medelvärdet. Den löser alltså inte problemet med en olämplig baslinje. Ett personligt intervall är lättare att tolka när det finns en etablerad frisk provserie än när patienten enbart provtagits under sjukdom.

8 Syntes — felbudgeten

En felbudget delar upp eGFR-felet i komponenter och visar vilka begränsningar som kvarstår när endast jämviktsekvationens funktionsform ändras.

Felbudgeten: sex komponenter

Figur 6. Felbudgeten — de sex felkomponenterna, med pilar från varje historisk innovation till den komponent den reducerar (referensbrus och icke-steady-state löses inte av en ny jämviktsekvation). Jag delar här upp osäkerheten i sex komponenter:

1. Markörbiologi — markören är inte en ren funktion av GFR. Dess icke-GFR-determinanter (muskelmassa, kost, inflammation, cellomsättning) förskjuter värdet oberoende av njurfunktionen (Del 2, Del 7).
2. Analysbias/kalibrering — samma markör mätt på olika sätt ger olika koefficienter. Standardisering (IDMS för kreatinin, ERM-DA471 för cystatin C) är det som gör en formels koefficienter överförbara mellan laboratorier (Del 4.2:s 175 vs den okalibrerade koefficienten; Del 4.4).
3. Referensmetodfel — “facit” (iohexol- eller iotalamat-clearance) har sin egen imprecision. En ekvations observerade precision mot mGFR kan inte bli bättre än vad referensmetodens egen imprecision tillåter — en del av den uppmätta residualen är därför referensbrus, inte ekvationsfel. Inker et al. [13] sade detta uttryckligen (Del 3, Del 4.5). Statistiskt är detta ett golv för observerad valideringsprecision, inte nödvändigtvis för den sanna träffsäkerheten: en modell anpassad mot många brusiga referensmätningar kan i princip skatta det latenta sanna GFR bättre än en enskild mGFR-bestämning.
4. Modellfel — funktionsformens oförmåga att fånga sambandet perfekt (den enkla potenslagens bias vid högt GFR; splinens kvarvarande residual). Det är den komponent som förändringarna av funktionsformen främst påverkar (Del 3).
5. Populationsfel — en formel kalibrerad i en population bär den populationens egenheter, och presterar bäst på patienter som är typiska för den. Hur väl den fungerar i en annan population måste visas empiriskt, inte antas (Del 4.5; Björk et al. [8]) — och Q-omskalningen gör just den korrektionen explicit och mätbar snarare än dold i en fast multiplikator (Del 4.6; Nyman 2024 [14]).
6. Icke-steady-state — formlerna antar jämvikt. Vid akut förändrad njurfunktion släpar endogena markörer efter olika mycket (tydligast kreatinin, som tar dygn att nå ny platå; cystatin C reagerar delvis annorlunda), så eGFR är fel tills ny kinetisk jämvikt uppnåtts (Del 2).

Komponenterna är analytiskt separerbara men inte strikt additiva: samma residual kan uttrycka både markörbiologi, populationssammansättning och modellform, och referensmetodfel blandas med modellresidual i valideringsmåtten. Utanför själva felbudgeten ligger dessutom användningsfel — indexerat kontra absolut GFR, enhetsfel, felaktigt ekvationsval och preanalytiska avvikelser.

Vad de olika förändringarna förbättrade

• Standardiseringen (Del 4.2, 4.4) angrep analysbias/kalibrering — att samma markör mätt på olika sätt ger olika koefficienter. Utan den är ingen formel överförbar mellan laboratorier.
• Ändrad funktionsform (Del 3, Del 4.1–4.6) minskade modellfel genom utvecklingen från algebra till potenslag, spline och Q-omskalad reciprok, med allt mindre förbättringar.
• Q-omskalningen (Del 4.6; Nyman 2024) angrep populationsfel genom att flytta populationskorrektionen in i markörnormaliseringen och göra den mätbar.
• Den andra markören (Del 4.4/4.8; Inker 2012) angrep markörbiologi genom att vikta bort markörspecifikt fel.
• Seriell självreferens / RCV (Del 7) verkar inte på estimationsfelet alls, utan på tolkningsnivån: genom att jämföra patienten mot sitt eget tidigare värde elimineras den mellanindividuella variation ($\text{CV}_G$) som gör ett enskilt eGFR-värde svårtolkat mot ett populationsreferensintervall.
• Referensmetoden (Del 4.5) bidrar med egen osäkerhet. Skillnaden mellan iohexol och iotalamat behöver därför vägas in när ekvationsfamiljer jämförs.

Vad en ändrad funktionsform kan förbättra

För komponent 4, modellfel, har senare ändringar av funktionsformen gett allt mindre förbättringar. Med samma markörer och samma referensmetod kvarstår fel från markörbiologi (komponent 1) och referensmätning (komponent 3), som en ändrad funktionsform inte ensam kan undanröja. De är däremot inte irreducibla i absolut mening: ytterligare markörinformation kan minska den första komponenten, bättre referensmätning den andra. Det är därför kreatininbaserade ekvationer i breda externa valideringar ofta har legat kring mitten av 80-talet i P30 (Del 6), med tydlig variation mellan kohorter och referensmetoder. Det illustrerar en praktisk platå — inte en absolut övre gräns.

En ytterligare markör och uppföljning över tid bidrar på olika sätt:

• En ytterligare markör med helt eller delvis oberoende fel minskar markörbiologin i felbudgeten (markörspecifikt fel viktas bort).
• Seriell självreferens ligger utanför estimationsbudgeten, på tolkningsnivån: den eliminerar den mellanindividuella variationen ($\text{CV}_G$) genom att patienten blir sin egen referens.

Båda tillför något utöver en ändrad funktionsform. Vid icke-steady-state (komponent 6) hjälper varken funktionsform, Q eller en andra markör — de vanliga jämviktsekvationerna kan då inte förutsättas ge en tillförlitlig skattning av aktuell GFR. Kinetiska ansatser kräver ytterligare information om tidsförloppet. Min samlade tolkning är att så länge dagens kreatinin- och cystatin C-baserade formler bygger på ett enskilt blodprov — vare sig de använder en eller två markörer — ger ytterligare funktionsformsjustering avtagande avkastning; de större vinsterna ligger hittills i markörval, kalibrering, populationsnormalisering och jämförelselogik.

GFR och njurhälsa

Även en perfekt GFR-skattning skulle inte fånga hela njurhälsan. KDIGO:s fullständiga CKD-klassifikation är CGA — orsak, GFR-kategori och albuminuri-kategori — medan den prognostiska riskmatrisen korsar de två laboratorieaxlarna G och A [1]. Albuminuri bär prognostisk information oberoende av GFR-nivån, och varken G1 eller G2 utgör CKD utan annan bestående markör för njurskada. Felbudgeten i detta avsnitt handlar om att skatta GFR; den beskriver alltså bara en del av klassifikationen och ännu mindre av njurens samlade funktion. Osäkerheten i GFR-skattningen och GFR:s begränsningar som mått på njurhälsa är två olika frågor.

Bilagor

Bilaga A — Tidslinjetabell

Tidslinjen jämför formelfamiljernas markörer, estimand, referensmetoder, enheter, populationer och begränsningar.

Öppna den grafiska tidslinjen i ny flik ↗

Bilaga B — Ordlista

Storheter, enheter och normering

• GFR (glomerulär filtrationshastighet). Volymen plasma som renas från ett fritt filtrerat ämne per tidsenhet; njurfunktionens centrala mått (Del 0).
• eGFR / mGFR. Estimerat GFR (skattat ur en markörkoncentration via formel) respektive mGFR — GFR skattat med en referensmetod, t.ex. iohexol-clearance. Även mGFR är en clearance-baserad skattning, inte en mätning av GFR (Del 1).
• Clearance. Den plasmavolym som fullständigt renas från ett ämne per tidsenhet; sättet GFR härleds på.
• Absolut vs indexerat GFR. Absolut = patientens faktiska filtration (ml/min); indexerat = normaliserat till 1,73 m² kroppsyta (ml/min/1,73 m²), för jämförbarhet (Del 5).
• BSA (kroppsyta). Beräknas ur längd och vikt (DuBois-formeln); används för indexering.
• 1,73 m². Normeringskonstanten — medelvärdet av kroppsytan hos en 25-årig man och en 25-årig kvinna, ur aktuariska tabeller (Möller/McIntosh/Van Slyke 1928; Del 1, Del 5).

Markörer och metoder

• Filtrationsmarkör. Ämne vars clearance speglar GFR. Idealet (inulin) filtreras fritt och hanteras inte av tubuli.
• Kreatinin. Endogen markör från muskelmetabolism; billig men beroende av muskelmassa och delvis tubulärt secernerad (Del 2).
• Cystatin C. Endogen markör (~13 kDa) från alla kärnförsedda celler; betydligt mindre beroende av muskelmassa än kreatinin men med egna icke-GFR-determinanter (Del 2, Del 4.4).
• Inulin / iohexol / iotalamat. Exogena markörer för mGFR (referensmetoder). Iohexol är Lund-Malmö-traditionens referens (Del 4.5).
• BTP, β₂-mikroglobulin. Alternativa lågmolekylära markörer med begränsad klinisk roll (Del 2).
• Tubulär sekretion / reabsorption. Tubuli tillför (sekretion) eller återtar (reabsorption) ämnen efter filtrationen; källa till att markörer avviker från idealet.
• IDMS. Isotopspädnings-masspektrometri; referensmetoden för standardisering av kreatininanalyser (Del 4.2).
• ERM-DA471. Internationellt referensmaterial för standardisering av cystatin C-analyser (IFCC; Del 2, Del 4.4).
• Jaffe / enzymatiskt. Två kreatininanalysprinciper; Jaffe (alkaliskt pikrat) är billigare men mindre specifik (Del 2).

Prestandamått och variation

• Bias. Systematiskt fel; medianskillnaden mellan mGFR och eGFR (mätt − skattat, så positiv bias = underskattning) (Del 6).
• Precision. Spridningen i skillnaderna, ofta som IQR (Del 6).
• P30 / P10. Andelen eGFR-värden inom ±30 % respektive ±10 % av mGFR; fältets träffsäkerhetsmått (Del 6).
• Prediktionsintervall. Osäkerhetsspannet kring en enskild patients eGFR — brett även när populationsmåtten är goda (Del 6).
• $\text{CV}_I$ / $\text{CV}_G$ / $\text{CV}_A$. Biologisk variation inom individen / mellan individer, samt analytisk variation (Del 7).
• Individualitetsindex (II). $\text{CV}_I/\text{CV}_G$; lågt II (< 0,6) betyder att populationsreferensintervallet är okänsligt för individuell förändring (Del 7).
• RCV (referensändringsvärde). Tröskel för en förändring som är ovanlig vid oförändrad individuell nivå; $\text{RCV} = \sqrt{2} \times z \times \sqrt{\text{CV}_A^2 + \text{CV}_I^2}$ (Del 7).

Ekvationer

• Cockcroft–Gault (CG). Skattar absolut kreatininclearance för dosering; ej sant GFR (Del 4.1).
• MDRD. Log-linjär potenslag; koefficient 175 (standardiserat) / 186 (original) (Del 4.2).
• CKD-EPI. Styckvis linjär spline i kreatinin; 2009 med ras/kön, 2021 rasfri (Del 4.3, Del 4.8).
• Cystatin C- och kombinerad ekvation (Inker 2012/2021). Spline i cystatin C respektive båda markörerna (Del 4.4).
• Lund-Malmö Revised (LMR) / CAPA. Nordiska kreatinin- respektive cystatin C-ekvationer, iohexol-kalibrerade (Del 4.5).
• FAS / EKFC. Q-omskalade ekvationer för hela åldersspektrumet; EKFC lägger en spline på det omskalade värdet (Del 4.6).
• Schwartz (bedside 2009) / CKiD U25. Bedside är den förenklade pediatriska ekvationen $0{,}413 \times \text{längd (cm)}/S_{cr}$; U25 ersätter den fasta konstanten med ålders- och könsspecifik $\kappa$ och spänner över 1–25 år (Del 4.7).
• Q (normeringsfaktor). Medel eller median av markörnivån hos friska, ålders-/könsmatchat; hjärtat i FAS/EKFC (Del 4.6).

Begrepp som används i artikeln

• Felbudgeten. Uppdelningen av eGFR-felet i komponenter: markörbiologi, analysbias, referensmetodfel, modellfel, populationsfel, icke-steady-state (Del 8).
• Begränsningen i kurvanpassningen. Min tolkning att ytterligare flexibilitet i ekvationen ger allt mindre individuell förbättring. En andra markör tillför mer information, medan tidigare provsvar förbättrar tolkningen över tid (Del 3, Del 8).
• Modellutvecklingen. Förändringarna i ekvationernas form: algebra → potenslag → spline → spline i två markörer → Q-omskalning (Del 3).
• Steady state. Jämvikt mellan produktion och utsöndring; förutsättningen för att koncentration ↔ GFR-relationen ska gälla (Del 2).
• Renal reserve / hyperfiltration. Njurens förmåga att öka GFR över viloläget; kvarvarande nefron hyperfiltrerar och kan maskera nefronförlust (Del 0).
• Albuminuri. Läckage av albumin i urinen; KDIGO:s andra axel vid sidan av GFR (Del 0).

Bilaga C — Formlernas ekvationer

Notation: Scr = serumkreatinin (mg/dL om inget annat anges), Scys = serumcystatin C (mg/L), ålder i år, längd i cm, vikt i kg. eGFR anges i ml/min/1,73 m² — utom Cockcroft–Gault, som ger absolut kreatininclearance i ml/min. $\min(a,\,b)$ och $\max(a,\,b)$ betecknar det minsta respektive största av $a$ och $b$. Rastermer redovisas för fullständighet men är historiska; 2021 års ekvationer saknar dem. Samtliga koefficienter är verifierade mot primärkälla utom där annat anges.

Algebraisk form — kreatininclearance

Cockcroft–Gault [15]:

$$\text{CrCl} = \dfrac{(140 - \text{ålder}) \times \text{vikt}}{72 \times S_{cr}} \times (0{,}85\ \text{om kvinna})$$

Ger absolut CrCl (ml/min) och överskattar sant GFR via tubulär sekretion (Del 4.1). Med $S_{cr}$ i µmol/L skrivs formeln i stället $\text{CrCl} = k \times (140 - \text{ålder}) \times \text{vikt} / S_{cr}$, med $k = 1{,}23$ (man) och $1{,}04$ (kvinna). Konstanten $k$ ersätter både 72:an och kvinnofaktorn — den läggs inte ovanpå dem: $1{,}23 = 88{,}4/72$, och $1{,}04 = 1{,}23 \times 0{,}85$, alltså är kvinnofaktorn redan inbakad.

Potenslag i en markör — kreatinin

MDRD, IDMS-standardiserad 4-variabel [7]:

$$\begin{aligned} \text{eGFR} = 175 &\times S_{cr}^{-1{,}154} \\ &\times \text{ålder}^{-0{,}203} \\ &\times (0{,}742\ \text{om kvinna}) \\ &\times (1{,}212\ \text{om svart}) \end{aligned}$$

SI-form (Scr i µmol/L): $\text{eGFR} = 30\,849 \times S_{cr}^{-1{,}154} \times \text{ålder}^{-0{,}203} \times (0{,}742\ \text{om kvinna}) \times (1{,}212\ \text{om svart})$. Den okalibrerade koefficienten 186 hör till pre-standardiserat kreatinin (se ovan).

Styckvis potenslag (spline) i en markör — kreatinin

CKD-EPI 2009 [17]:

$$\begin{aligned} \text{eGFR} = 141 &\times \min(S_{cr}/\kappa,\,1)^{\alpha} \\ &\times \max(S_{cr}/\kappa,\,1)^{-1{,}209} \\ &\times 0{,}993^{\text{ålder}} \\ &\times (1{,}018\ \text{om kvinna}) \\ &\times (1{,}159\ \text{om svart}) \end{aligned}$$

med $\kappa = 0{,}7$ (kvinna) / $0{,}9$ (man) och $\alpha = -0{,}329$ (kvinna) / $-0{,}411$ (man).

CKD-EPI 2021, rasfri [31]:

$$\begin{aligned} \text{eGFR} = 142 &\times \min(S_{cr}/\kappa,\,1)^{\alpha} \\ &\times \max(S_{cr}/\kappa,\,1)^{-1{,}200} \\ &\times 0{,}9938^{\text{ålder}} \\ &\times (1{,}012\ \text{om kvinna}) \end{aligned}$$

med $\kappa = 0{,}7 / 0{,}9$ och $\alpha = -0{,}241$ (kvinna) / $-0{,}302$ (man). Ingen rasterm.

Styckvis form, nordisk — kreatinin

Lund–Malmö Revised (LMR) [8], med Scr i µmol/L:

$$\text{eGFR} = e^{\,X - 0{,}0158 \times \text{ålder} + 0{,}438 \times \ln(\text{ålder})}$$

där $X$ bestäms styckvis av kön och kreatininnivå:

• Kvinna: $X = 2{,}50 + 0{,}0121 \times (150 - S_{cr})$ om $S_{cr} < 150$; $X = 2{,}50 - 0{,}926 \times \ln(S_{cr}/150)$ om $S_{cr} \ge 150$.
• Man: $X = 2{,}56 + 0{,}00968 \times (180 - S_{cr})$ om $S_{cr} < 180$; $X = 2{,}56 - 0{,}926 \times \ln(S_{cr}/180)$ om $S_{cr} \ge 180$.

Potenslag i en markör — cystatin C

CAPA [20]:

$$\text{eGFR} = 130 \times S_{cys}^{-1{,}069} \times \text{ålder}^{-0{,}117} - 7$$

Två markörer — kreatinin + cystatin C

Inker 2012 (CKD-EPI kreatinin–cystatin C) [13]:

$$\begin{aligned} \text{eGFR} = 135 &\times \min(S_{cr}/\kappa,\,1)^{\alpha} \\ &\times \max(S_{cr}/\kappa,\,1)^{-0{,}601} \\ &\times \min(S_{cys}/0{,}8,\,1)^{-0{,}375} \\ &\times \max(S_{cys}/0{,}8,\,1)^{-0{,}711} \\ &\times 0{,}995^{\text{ålder}} \\ &\times (0{,}969\ \text{om kvinna}) \\ &\times (1{,}08\ \text{om svart}) \end{aligned}$$

med $\kappa = 0{,}7 / 0{,}9$ och $\alpha = -0{,}248$ (kvinna) / $-0{,}207$ (man).

CKD-EPI 2021 kreatinin–cystatin C, rasfri [31]:

$$\begin{aligned} \text{eGFR} = 135 &\times \min(S_{cr}/\kappa,\,1)^{\alpha} \\ &\times \max(S_{cr}/\kappa,\,1)^{-0{,}544} \\ &\times \min(S_{cys}/0{,}8,\,1)^{-0{,}323} \\ &\times \max(S_{cys}/0{,}8,\,1)^{-0{,}778} \\ &\times 0{,}9961^{\text{ålder}} \\ &\times (0{,}963\ \text{om kvinna}) \end{aligned}$$

med $\kappa = 0{,}7 / 0{,}9$ och $\alpha = -0{,}219$ (kvinna) / $-0{,}144$ (man). Ingen rasterm.

Omskalad markör (Q-normalisering)

FAS [21]:

$$\text{eGFR} = \dfrac{107{,}3}{S_{cr}/Q} \quad (2 \le \text{ålder} \le 40)$$$$\times\ 0{,}988^{(\text{ålder}-40)} \quad \text{om ålder} > 40$$

Q = medel eller median av normalt Scr i en frisk ålders- och könsmatchad referenspopulation (referenstabell).

EKFC-kreatinin [22]:

$$\text{eGFR} = 107{,}3 \times (S_{cr}/Q)^{\alpha}$$$$\begin{aligned} \alpha &= -0{,}322 &&(S_{cr}/Q < 1) \\ \alpha &= -1{,}132 &&(S_{cr}/Q \ge 1) \end{aligned}$$$$\times\ 0{,}990^{(\text{ålder}-40)} \quad \text{om ålder} > 40$$

EKFC-cystatin C [23]: identisk form och identiska exponenter ($\alpha = -0{,}322 / -1{,}132$), men med $S_{cys}$ och ett cystatin C-specifikt $Q$. Endast Q skiljer markörerna åt — exponenterna är biomarköragnostiska.

FAScombi [24]: medelvärdet av de två Q-omskalade markörerna, $\text{eGFR} = 107{,}3 / (\tfrac{1}{2} \cdot S_{cr}/Q_{\text{kreatinin}} + \tfrac{1}{2} \cdot S_{cys}/Q_{\text{cystatin}})$ med samma åldersterm.

Pediatrik

Bedside-Schwartz 2009 [28]:

$$\text{eGFR} = 0{,}413 \times \dfrac{\text{längd}}{S_{cr}} \quad (\text{längd i cm, standardiserat } S_{cr} \text{ i mg/dL})$$

CKiD U25-kreatinin [61]:

$$\text{eGFR} = \kappa(\text{ålder},\text{kön}) \times \dfrac{\text{längd (m)}}{S_{cr}\ (\text{mg/dL})}$$

där $\kappa$ följer ålders- och könsspecifika funktioner för 1–25 år i originalpublikationen. U25-cystatin C har motsvarande form $\kappa/S_{cys}$; den kombinerade U25-ekvationen är det aritmetiska medelvärdet av U25-eGFRcr och U25-eGFRcys.

Äldre (≥ 70 år)

BIS1, endast kreatinin [43]:

$$\begin{aligned} \text{eGFR} = 3\,736 &\times S_{cr}^{-0{,}87} \\ &\times \text{ålder}^{-0{,}95} \\ &\times (0{,}82\ \text{om kvinna}) \end{aligned}$$

BIS2, kreatinin + cystatin C [43]:

$$\begin{aligned} \text{eGFR} = 767 &\times S_{cys}^{-0{,}61} \\ &\times S_{cr}^{-0{,}40} \\ &\times \text{ålder}^{-0{,}57} \\ &\times (0{,}87\ \text{om kvinna}) \end{aligned}$$

Iohexol-plasmaclearance-kalibrerade; ingen rasterm (etniskt homogen kohort). Ingen längd- eller viktterm — kön går in enbart via den inbyggda kvinnofaktorn, och svaret är indexerat som hos övriga ekvationer. Se Del 4.7.

Bilaga D — Q-värden (normeringsfaktorer)

Q är markörens normalnivå — medel eller median i en frisk ålders- och könsmatchad referenspopulation — som FAS- och EKFC-ekvationerna skalar markören mot (Del 4.6, Bilaga C). Med ett populationsanpassat Q kan samma ekvationsform prövas i en ny population (Nyman et al. [14]).

Kreatinin-Q (vuxna)

Ekvation	Q kvinnor	Q män	Källa
FAS	0,70 mg/dL (62 µmol/L)	0,90 mg/dL (80 µmol/L)	Pottel et al. [21]
EKFC	0,70 mg/dL (62 µmol/L)	0,90 mg/dL (80 µmol/L)	Pottel et al. [22]

Samma vuxenvärden; EKFC har dessutom en förfinad polynomformel för Q hos barn och unga (2–25 år), där Q ökar med åldern.

Cystatin C-Q

Ekvation	Q	Åldersberoende	Källa
EKFC (unisex — huvudekvationen)	0,83 mg/L	för ålder ≥ 50: $Q = 0{,}83 + 0{,}005 \times (\text{ålder} - 50)$	Pottel et al. [23]
FAS / FAScombi	0,82 mg/L (< 70 år); 0,95 (≥ 70 år)	linjär form finns i [24]	Pottel et al. [24]

Könsspecifik cystatin-Q. EKFC-artikeln [23] beräknade även könsspecifika cystatin-Q (0,86 män / 0,79 kvinnor till 50 år, därefter med samma ålderstillägg som huvudekvationen) ur exakt samma kohort (n = 227 643) som gav unisex-värdet 0,83, testade dem mot varandra och fann ingen meningsfull förbättring (“no meaningful differences”). Därför är unisex-ekvationen (Q = 0,83) huvudekvationen — och det är den som gör EKFC-cystatin till en ekvation helt utan både ras och kön. Att en könsjustering minskar den synliga könsskillnaden visar inte i sig att GFR skattas bättre. Min egen praxis avviker ändå från EKFC-artikelns huvudekvation: som en uttryckligt ovaliderad normaliseringshypotes väljer klinkemipedias eGFR-verktyg åldersberoende könsspecifik Q som förval — se resonemanget och avgränsningen i Del 4.6.

Populationsspecifika Q och transportabilitet. Ett populationsanpassat Q gör det möjligt att behålla ekvationens form när den används i en ny population. Publicerade kreatinin-Q finns för flera populationer utöver vita européer (bl.a. svarta europeiska och subsaharisk-afrikanska, amerikanska och kinesiska kohorter). Nyman et al. [14] visade konkret, i en fransk kohort av subsaharisk härkomst, att rätt populationsspecifikt Q förbättrade bias och P30 medan precisionen (IQR) var i princip oförändrad — samma mönster som felbudgetens komponent 5 förutsäger (Del 4.5, Del 8). En fullständig katalog av populationsspecifika Q ligger utanför denna historiks ram.

Referenser

1. KDIGO CKD Work Group. KDIGO 2024 clinical practice guideline for CKD. Kidney Int. 2024;105(4S):S117–S314. doi:10.1016/j.kint.2023.10.018.
2. Rehberg PB. Studies on kidney function. I. Biochem J. 1926;20(3):447–460. doi:10.1042/bj0200447.
3. Levey AS, Bosch JP, Lewis JB, Greene T, Rogers N, Roth D. A more accurate method to estimate glomerular filtration rate from serum creatinine: a new prediction equation. Ann Intern Med. 1999;130(6):461–470. doi:10.7326/0003-4819-130-6-199903160-00002.
4. Shannon JA, Smith HW. The excretion of inulin, xylose and urea by normal and phlorizinized man. J Clin Invest. 1935;14(4):393–401. doi:10.1172/JCI100690.
5. Richards AN, Westfall BB, Bott PA. Renal excretion of inulin, creatinine and xylose in normal dogs. Proc Soc Exp Biol Med. 1934;32(1):73–75. doi:10.3181/00379727-32-7564P.
6. Richards AN. Urine formation in the amphibian kidney. Harvey Lect. 1934–35;30:93–118.
7. Levey AS, Coresh J, Greene T, Stevens LA, Zhang YL, Hendriksen S, et al. Using standardized serum creatinine values in the Modification of Diet in Renal Disease Study equation for estimating glomerular filtration rate. Ann Intern Med. 2006;145(4):247–254. doi:10.7326/0003-4819-145-4-200608150-00004.
8. Björk J, Grubb A, Sterner G, Nyman U. Revised equations for estimating glomerular filtration rate based on the Lund-Malmö Study cohort. Scand J Clin Lab Invest. 2011;71(3):232–239. doi:10.3109/00365513.2011.557086.
9. Möller E, McIntosh JF, Van Slyke DD. Studies of urea excretion. II. J Clin Invest. 1928;6(3):427–465. doi:10.1172/JCI100206.
10. Du Bois D, Du Bois EF. A formula to estimate the approximate surface area. Arch Intern Med. 1916;17(6):863–871. doi:10.1001/archinte.1916.00080130010002.
11. SBU. Skattning av njurfunktion. Stockholm: SBU; 2013. Rapport 214.
12. Grubb A, Blirup-Jensen S, Lindström V, Schmidt C, Althaus H, Zegers I. First certified reference material for cystatin C in human serum ERM-DA471/IFCC. Clin Chem Lab Med. 2010;48(11):1619–1621. doi:10.1515/CCLM.2010.318.
13. Inker LA, Schmid CH, Tighiouart H, Eckfeldt JH, Feldman HI, Greene T, et al. Estimating glomerular filtration rate from serum creatinine and cystatin C. N Engl J Med. 2012;367(1):20–29. doi:10.1056/NEJMoa1114248.
14. Nyman U, Björk J, Delanaye P, Lahens A, Pottel H, Vidal-Petiot E, et al. Rescaling creatinine makes GFR estimation equations generally applicable across populations — validation results for the Lund-Malmö equation in a French cohort of sub-Saharan ancestry. Clin Chem Lab Med. 2024;62(3):421–427. doi:10.1515/cclm-2023-0496.
15. Cockcroft DW, Gault MH. Prediction of creatinine clearance from serum creatinine. Nephron. 1976;16(1):31–41. doi:10.1159/000180580.
16. Levey AS, Coresh J, Greene T, Marsh J, Stevens LA, Kusek JW, et al. Expressing the Modification of Diet in Renal Disease Study equation for estimating glomerular filtration rate with standardized serum creatinine values. Clin Chem. 2007;53(4):766–772. doi:10.1373/clinchem.2006.077180.
17. Levey AS, Stevens LA, Schmid CH, Zhang YL, Castro AF 3rd, Feldman HI, et al. A new equation to estimate glomerular filtration rate. Ann Intern Med. 2009;150(9):604–612. doi:10.7326/0003-4819-150-9-200905050-00006.
18. Sterner G, Frennby B, Hultberg B, Almén T. Iohexol clearance for GFR-determination in renal failure. Nephrol Dial Transplant. 1996;11(3):521–525. doi:10.1093/ndt/11.3.521.
19. Björk J, Bäck SE, Sterner G, Carlson J, Lindström V, Bakoush O, et al. Prediction of relative glomerular filtration rate in adults: new improved equations based on Swedish Caucasians and standardized plasma-creatinine assays. Scand J Clin Lab Invest. 2007;67(7):678–695. doi:10.1080/00365510701326891.
20. Grubb A, Horio M, Hansson LO, Björk J, Nyman U, Flodin M, et al. Generation of a new cystatin C-based estimating equation for glomerular filtration rate by use of 7 assays standardized to the international calibrator. Clin Chem. 2014;60(7):974–986. doi:10.1373/clinchem.2013.220707.
21. Pottel H, Hoste L, Dubourg L, Ebert N, Schaeffner E, Eriksen BO, et al. An estimated glomerular filtration rate equation for the full age spectrum. Nephrol Dial Transplant. 2016;31(5):798–806. doi:10.1093/ndt/gfv454.
22. Pottel H, Björk J, Courbebaisse M, Couzi L, Ebert N, Eriksen BO, et al. Development and validation of a modified full age spectrum creatinine-based equation to estimate glomerular filtration rate. Ann Intern Med. 2021;174(2):183–192. doi:10.7326/M20-4366.
23. Pottel H, Björk J, Rule AD, Ebert N, Eriksen BO, Dubourg L, et al. Cystatin C-based equation to estimate GFR without the inclusion of race and sex. N Engl J Med. 2023;388(4):333–343. doi:10.1056/NEJMoa2203769.
24. Pottel H, Delanaye P, Schaeffner E, Dubourg L, Eriksen BO, Melsom T, et al. Estimating glomerular filtration rate for the full age spectrum from serum creatinine and cystatin C. Nephrol Dial Transplant. 2017;32(3):497–507. doi:10.1093/ndt/gfw425.
25. Schwartz GJ, Haycock GB, Edelmann CM Jr, Spitzer A. A simple estimate of GFR in children derived from body length and plasma creatinine. Pediatrics. 1976;58(2):259–263. doi:10.1542/peds.58.2.259.
26. Schwartz GJ, Gauthier B. A simple estimate of GFR in adolescent boys. J Pediatr. 1985;106(3):522–526. doi:10.1016/s0022-3476(85)80697-1.
27. Schwartz GJ, Feld LG, Langford DJ. A simple estimate of glomerular filtration rate in full-term infants during the first year of life. J Pediatr. 1984;104(6):849–854. doi:10.1016/s0022-3476(84)80479-5.
28. Schwartz GJ, Muñoz A, Schneider MF, Mak RH, Kaskel F, Warady BA, et al. New equations to estimate GFR in children with CKD. J Am Soc Nephrol. 2009;20(3):629–637. doi:10.1681/ASN.2008030287.
29. Delgado C, Baweja M, Ríos Burrows N, Crews DC, Eneanya ND, Gadegbeku CA, et al. Reassessing the inclusion of race in diagnosing kidney diseases (NKF-ASN interim). J Am Soc Nephrol. 2021;32(6):1305–1317. doi:10.1681/ASN.2021010039.
30. Hsu CY, Yang W, Parikh RV, Anderson AH, Chen TK, Cohen DL, et al. Race, genetic ancestry, and estimating kidney function in CKD. N Engl J Med. 2021;385(19):1750–1760. doi:10.1056/NEJMoa2103753.
31. Inker LA, Eneanya ND, Coresh J, Tighiouart H, Wang D, Sang Y, et al. New creatinine- and cystatin C-based equations to estimate GFR without race. N Engl J Med. 2021;385(19):1737–1749. doi:10.1056/NEJMoa2102953.
32. FASS.se [Internet]. Stockholm: Läkemedelsindustriföreningen (Lif). Tillgänglig från: https://www.fass.se/ [hämtad 2026].
33. Delanaye P, Cavalier E, Pottel H, Stehlé T. New and old GFR equations: a European perspective. Clin Kidney J. 2023;16(9):1375–1383. doi:10.1093/ckj/sfad039.
34. Aarsand AK, Webster C, Fernandez-Calle P, Jonker N, Diaz-Garzon J, Coskun A, et al. The EFLM Biological Variation Database. Tillgänglig från: https://biologicalvariation.eu/ [hämtad 2026-07-07].
35. Thöni S, Keller F, Denicolò S, Buchwinkler L, Mayer G. Biological variation and reference change value of the estimated glomerular filtration rate in humans: a systematic review and meta-analysis. Front Med (Lausanne). 2022;9:1009358. doi:10.3389/fmed.2022.1009358.
36. Krutzén E, Bäck SE, Nilsson-Ehle I, Nilsson-Ehle P. Plasma clearance of a new contrast agent, iohexol, for the assessment of glomerular filtration rate. J Lab Clin Med. 1984;104(6):955–961.
37. Soveri I, Berg UB, Björk J, et al; SBU GFR Review Group. Measuring GFR: a systematic review. Am J Kidney Dis. 2014;64(3):411–424. doi:10.1053/j.ajkd.2014.04.010.
38. Delanaye P. How measuring glomerular filtration rate? Comparison of reference methods. In: Sahay M, editor. Basic Nephrology and Acute Kidney Injury. Rijeka: IntechOpen; 2012. doi:10.5772/25770.
39. Frennby B, Sterner G, Almén T, et al. Extrarenal plasma clearance of iohexol, 51Cr-EDTA, and inulin in anephric pigs. Acad Radiol. 1996;3(2):145–153.
40. Berg UB, Bäck R, Celsi G, et al. Comparison of plasma clearance of iohexol and urinary clearance of inulin for measurement of GFR in children. Am J Kidney Dis. 2011;57(1):55–61. doi:10.1053/j.ajkd.2010.07.013.
41. White CA, Akbari A, Allen C, Day AG, Norman PA, Holland D, et al. Simultaneous glomerular filtration rate determination using inulin, iohexol, and 99mTc-DTPA demonstrates the need for customized measurement protocols. Kidney Int. 2021;99(4):957–966. doi:10.1016/j.kint.2020.06.044.
42. Landgren F, Kågedal B, Landberg E. The sex difference in plasma cystatin C is age-dependent: a systematic review and meta-analysis. Crit Rev Clin Lab Sci. 2026;1–21. doi:10.1080/10408363.2026.2640949.
43. Schaeffner ES, Ebert N, Delanaye P, et al. Two novel equations to estimate kidney function in persons aged 70 years or older. Ann Intern Med. 2012;157(7):471–481. doi:10.7326/0003-4819-157-7-201210020-00003.
44. Ma Y, Shen X, Yong Z, Wei L, Zhao W. Comparison of glomerular filtration rate estimating equations in older adults: a systematic review and meta-analysis. Arch Gerontol Geriatr. 2023;114:105107. doi:10.1016/j.archger.2023.105107.
45. Zhu W, Zhang Y, Chen S, et al. Comparison of the applicability of seven calculation equations of glomerular filtration rate among elderly people in China. Int Urol Nephrol. 2024;56(7):2431–2440. doi:10.1007/s11255-024-03941-w.
46. Bongetti EK, Wolfe R, Orchard SG, Woods RL, Murray AM, Ernst ME, et al. Evaluating long-term outcomes across eGFR equations in older adults. Kidney Int Rep. 2026;11(6):106487. doi:10.1016/j.ekir.2026.106487.
47. Flamant M, Vidal-Petiot E, Metzger M, Haymann JP, Letavernier E, Delatour V, et al. Performance of GFR estimating equations in African Europeans: basis for a lower race-ethnicity factor than in African Americans. Am J Kidney Dis. 2013;62(1):182–184. doi:10.1053/j.ajkd.2013.03.015.
48. Rohrmann S, Nelson WG, Rifai N, Kanarek N, Basaria S, Tsilidis KK, et al. Serum estrogen, but not testosterone, levels differ between black and white men in a nationally representative sample of Americans. J Clin Endocrinol Metab. 2007;92(7):2519–2525. doi:10.1210/jc.2007-0028.
49. Sartor O, Zheng Q, Eastham JA. Androgen receptor gene CAG repeat length varies in a race-specific fashion in men without prostate cancer. Urology. 1999;53(2):378–380. doi:10.1016/S0090-4295(98)00481-6.
50. Eneanya ND, Yang W, Reese PP. Reconsidering the consequences of using race to estimate kidney function. JAMA. 2019;322(2):113–114. doi:10.1001/jama.2019.5774.
51. Hsu J, Johansen KL, Hsu CY, Kaysen GA, Chertow GM. Higher serum creatinine concentrations in black patients with chronic kidney disease: beyond nutritional status and body composition. Clin J Am Soc Nephrol. 2008;3(4):992–997. doi:10.2215/CJN.00090108.
52. Vyas DA, Eisenstein LG, Jones DS. Hidden in plain sight — reconsidering the use of race correction in clinical algorithms. N Engl J Med. 2020;383(9):874–882. doi:10.1056/NEJMms2004740.
53. Coşkun A, Sandberg S, Unsal I, Cavusoglu C, Serteser M, Kilercik M, et al. Personalized reference intervals in laboratory medicine: a new model based on within-subject biological variation. Clin Chem. 2021;67(2):374–384. doi:10.1093/clinchem/hvaa233.
54. Røys EÅ, Viste K, Farrell CJ, Kellmann R, Alaour B, Sylte MS, et al. A parametric empirical Bayes approach to personalized reference intervals and reference change values. Clin Chem. 2025;71(11):1147–1157. doi:10.1093/clinchem/hvaf092.
55. Rowe C, Sitch AJ, Barratt J, et al. Biological variation of measured and estimated glomerular filtration rate in patients with chronic kidney disease. Kidney Int. 2019;96(2):429–435. doi:10.1016/j.kint.2019.02.021.
56. Lamb EJ, Barratt J, Brettell EA, Cockwell P, Dalton RN, Deeks JJ, et al. Accuracy of glomerular filtration rate estimation using creatinine and cystatin C for identifying and monitoring moderate chronic kidney disease: the eGFR-C study. Health Technol Assess. 2024;28(35):1–169. doi:10.3310/HYHN1078.
57. Porrini E, Ruggenenti P, Luis-Lima S, et al. Estimated GFR: time for a critical appraisal. Nat Rev Nephrol. 2019;15(3):177–190. doi:10.1038/s41581-018-0080-9.
58. McIntosh JF, Möller E, Van Slyke DD. Studies of urea excretion. III: the influence of body size on urea output. J Clin Invest. 1928;6(3):467–483. doi:10.1172/JCI100207.
59. US Food and Drug Administration, Center for Drug Evaluation and Research. Pharmacokinetics in patients with impaired renal function — study design, data analysis, and impact on dosing. Guidance for industry (final). Silver Spring, MD: FDA; mars 2024. Fed Regist. 2024;89:19286 (dokument 2024-05683).
60. St. Peter WL, Bzowyckyj AS, Anderson-Haag T, Awdishu L, Blackman M, Bland A, et al. Moving forward from Cockcroft-Gault creatinine clearance to race-free estimated glomerular filtration rate to improve medication-related decision-making in adults across healthcare settings: a consensus of the National Kidney Foundation Workgroup for Implementation of Race-Free eGFR-Based Medication-Related Decisions. Am J Health Syst Pharm. 2025;82(12):644–659. doi:10.1093/ajhp/zxae317.
61. Pierce CB, Muñoz A, Ng DK, Warady BA, Furth SL, Schwartz GJ. Age- and sex-dependent clinical equations to estimate glomerular filtration rates in children and young adults with chronic kidney disease. Kidney Int. 2021;99(4):948–956. doi:10.1016/j.kint.2020.10.047.
62. Nyman U, Björk J, Berg U, et al. The modified CKiD Study estimated GFR equations for children and young adults under 25 years of age: performance in a European multicenter cohort. Am J Kidney Dis. 2022;80(6):807–810. doi:10.1053/j.ajkd.2022.02.018.
63. Wang Y, Adingwupu OM, Shlipak MG, et al. Discordance between creatinine-based and cystatin C–based estimated GFR: interpretation according to performance compared to measured GFR. Kidney Med. 2023;5(10):100710. doi:10.1016/j.xkme.2023.100710.
64. Pitts RF. Homer William Smith, 1895–1962: A Biographical Memoir. National Academy of Sciences; 1967. Biografisk minnesskrift.