Historien om eGFR — från Rehbergs clearance-idé till felbudgeten

Innehåll

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

0 Konceptuell inledning

Njuren är inte bara ett filter. Den är ett filter plus ett raffinaderi plus en endokrin körtel — och att en enda siffra, den glomerulära filtrationshastigheten (GFR), kom att stå som måttet på njurfunktion är både rimligt och vilseledande på samma gång. Rimligt, därför att filtrationen är den funktion allt annat hänger på och den som låter sig kvantifieras i ett tal. Vilseledande, därför att talet döljer nästan lika mycket som det visar. Den här artikeln handlar om hur man skattar det talet från ett blodprov — men först: vad talet är, och vad det inte är.

Njuren gör många saker — men en av dem blev måttet

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, som blir en central komplikation längre fram, en del av kreatininet.
• Endokrin funktion. Njuren producerar erytropoietin, aktiverar D-vitamin (1α-hydroxylering) och reglerar blodtryck via renin-angiotensinsystemet.

Varför blev just filtrationen måttet? Därför att den bäst summerar njurens grundjobb — att rena plasma — och därför att den, till skillnad från de andra funktionerna, låter sig uttryckas i ett enda kvantitativt tal: volymen plasma som renas från ett ämne per tidsenhet (ml/min). GFR blev njurmedicinens vitala parameter ungefär som blodtrycket blev kardiologins: ett tal som räcker långt, just för att det sammanfattar mycket.

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 — viktigast för nästa avsnitt —
• 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 inte njursjukdom. GFR är ett känsligt mått på hur mycket njuren filtrerar, men ett trubbigt mått på om njuren är skadad.

KDIGO: två riskaxlar — men tre led i klassifikationen

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.

Båda predikterar utfall — mortalitet, kardiovaskulär risk och progress till njursvikt — oberoende av varandra [1]. En patient i G2 med A3 kan därför bära högre risk än en i G3a med A1. Men G1 eller G2 är inte i sig CKD om det saknas annan markör för njurskada; kronicitetskravet och C-ledet får inte försvinna bakom värmekartan. GFR är bara en del av bilden. Att skatta GFR väl är nödvändigt men inte tillräckligt för att beskriva njurens tillstånd.

GFR är en funktion, inte en nefronräkning

En sista, subtilare begränsning: GFR mäter en funktion, inte en struktur — inte en räkning av fungerande nefron.

Skälet är njurens kompensationsförmåga. När nefron går förlorade hyperfiltrerar de kvarvarande — varje enskilt nefron ökar sin filtration för att hålla den totala hastigheten uppe. Följden är att GFR kan förbli nära normalt trots att en stor andel av nefronmassan gått förlorad. Detta ligger nära begreppet renal reserve — förmågan att öka GFR över viloläget (t.ex. efter en proteinmåltid) — och förlust av reserven kan föregå ett fall i vilo-GFR, eftersom de redan hyperfiltrerande nefronen inte har mer att ge.

Omvänt kan hyperfiltration — ett förhöjt GFR — vara ett tidigt sjukdomstecken snarare än ett tecken på god funktion, som vid tidig diabetes eller obesitas, där glomerulär hypertension driver upp filtrationen på bekostnad av framtida skada.

Konsekvensen är att GFR är en kompenserad och delvis eftersläpande indikator på strukturell hälsa. Även ett exakt känt sant GFR bär den här tolkningstvetydigheten — en poäng som är helt oberoende av all mätonoggrannhet, och som är värd att hålla isär från de fel i skattningen som resten av artikeln handlar om.

Baksidan: ett fallande GFR är orsaksblint

Resonemanget har en spegelvänd konsekvens [min tolkning]. Om hyperfiltration håller GFR uppe så länge reserven räcker, följer att ett verkligt sjunkande GFR — ett fall som överlevt kompensationen — i sig är ett summerande mått på förlorad fungerande filtrationskapacitet, oavsett vilken process som orsakat förlusten. Diabetesnefropati, glomerulonefrit, hypertensiv nefroskleros, obstruktion, ischemi: alla konvergerar mot samma nedströmssignal. Det är en del av förutsättningen för att GFR fungerar som ett gemensamt allvarlighetsmått över etiologier — KDIGO stadieindelar CKD efter GFR-kategori oavsett bakomliggande diagnos, just för att måttet inte skiljer på orsak.

Men “sänkt GFR” är inte synonymt med “skada.” Filtrationskapaciteten kan sjunka lika mycket av rent hemodynamiska skäl utan att ett enda nefron gått förlorat: vätskebrist, NSAID, ACE-hämmare/ARB och låg hjärtminutvolym sänker alla GFR reversibelt genom att sänka det glomerulära trycket, inte genom att förstöra vävnad. Ett fallande GFR är därför bäst förstått som ett aggregat av både strukturell och funktionell kapacitetsförlust — det säger att något begränsar filtrationen just nu, inte om begränsningen är permanent eller vad som orsakat den. Det är den logiska baksidan av föregående avsnitt: ett normalt GFR kan maskera skada (falskt negativt), och ett lågt GFR kan inte peka ut orsaken (ospecifikt positivt).

Bryggan till historien

Om GFR — med alla dessa förbehåll — är njurfunktionens centrala tal, blir den praktiska frågan oundviklig: hur mäter man det? Filtrationshastigheten kan inte avläsas direkt; den måste härledas ur hur snabbt njuren avlägsnar ett filtrationsmarkör-ämne ur blodet (clearance). Det kan göras exakt med en exogen markör som infunderas och mäts — referensmetoden — men det är omständligt. Alternativet, som blev klinisk vardag, är att skatta GFR ur koncentrationen av ett ämne kroppen själv producerar: en endogen markör, framför allt kreatinin.

Där börjar den hundraåriga historien. Den följer den konceptuella ryggraden — från Rehbergs försök att mäta filtration direkt, via Shannon och Smiths etablering av inulin som referensmarkör, till den ytnormering (1,73 m²) och de clearance-begrepp som allt senare vilar på. Resten av artikeln handlar sedan om det centrala problemet med att byta referensmarkören mot en bekväm: hur väl en endogen markör kan spegla GFR, och var gränsen går.

1 Historisk-konceptuell ryggrad (Rehberg → Shannon & Smith → DuBois → Möller/McIntosh/Van Slyke)

Problemet som formeln ärvde

Filtrationskapacitet går inte att observera direkt. Den måste härledas ur vad njuren gör med en markör i blod och urin. Varje eGFR-formel är den senaste generationen av en indirekt lösning vars fyra första drag gjordes mellan 1916 och 1935: man valde en markör, definierade en clearance-beräkning, etablerade en referensstandard och införde en storleksnormering.

Cockcroft–Gault, MDRD och CKD-EPI ärver alla fyra dragen. Men det steg de själva lägger till — från “mät clearance direkt” till “prediktera GFR ur P-kreatinin och demografiska surrogat” — är inte kosmetiskt. Det inför ett helt nytt lager: en regressionsmodell mot ett indexerat utfall, där kovariaterna får bära markörens icke-GFR-determinanter och där varje enskilt estimat ärver en osäkerhet som den direkta mätningen inte hade. Det är i det lagret, inte i skelettet, som resten av artikeln utspelar sig.

Rehberg 1926: en tidig kvantifiering av människans filtration

Vid Laboratoriet för zoofysiologi i Köpenhamn gjorde Poul Brandt Rehberg en tidig och avgörande kvantitativ uppskattning av den glomerulära filtrationshastigheten hos människa [2]. Frågan var teoretisk innan den blev klinisk: filtrations–reabsorptionsteorin mot sekretionsteorin för urinbildning. Rehbergs grepp var att välja en markör som filtreras i glomeruli men inte reabsorberas i tubuli, och låta den utsöndrade mängden mäta den filtrerade volymen. Markören blev kreatinin — men inte basalt endogent kreatinin. Den normala “preformed creatinine” i blodet var för låg och osäker för beräkningarna, så Rehberg höjde plasmanivån genom att inta omkring 5 g kreatinin peroralt, och visade att det tillförda kreatininet utsöndrades lika villigt som det kroppsegna. Först då kunde han beräkna filtrationshastigheten som kvoten mellan utsöndrat kreatinin och plasmakoncentration — i modern notation $U \cdot V / P$.

Ur samma data uppskattade han också den tubulära reabsorptionen — av vattnet, inte av markören. Det är just för att kreatininet passerar tubuli oförändrat som skillnaden mellan filtrerad och utsöndrad volym kan läsas som återförd vätska: i hans genomräknade exempel återförs storleksordningen 99 % av det filtrerade vattnet (i ett fall en urinproduktion på 0,80 ml/min ur ett filtrat på 146 ml/min), och andelen sjunker mot ~90 % först vid kraftig diures. Detta är ursprunget till det som senare kom att kallas Rehbergs prov (kreatininclearance).

Rehbergs metod var pionjärarbete men vilade på ett antagande som skulle visa sig oprecist: att kreatininet passerar tubuli oberört. Det gör det inte — kreatinin secerneras aktivt av tubuli. Senare GFR-litteratur behandlar därför kreatininclearance som en överskattning av GFR — Levey et al. [3] fann att uppmätt kreatininclearance överskattade GFR med 19 % och konstaterade att kreatininclearance “är känt för att ligga högre än GFR”. Hela den efterföljande historien — inulin, cystatin C, och till slut korrektionsfaktorer i formlerna — kan läsas som försök att hantera avståndet mellan den markör man har och den ideala markör Rehberg antog sig ha. Termen clearance var för övrigt inte Rehbergs; den formaliserades i ureaarbetet nedan.

Shannon & Smith 1935: inulin görs till idealmarkörens starkaste kandidat

Om Rehbergs kreatinin var en approximation av den ideala markören, gjorde Shannon & Smith [4] inulin till dess starkaste kandidat. Argumentet mot tubulär sekretion var negativt och inferentiellt, inte ett direkt bevis: aglomerulära fiskar (Lophius, Opsanus), som saknar glomeruli, kunde inte utsöndra inulin; hos människa var inulinutsöndringen proportionell mot plasmakoncentrationen; och tidigare kolhydratdata talade mot tubulär sekretion. Shannon & Smith kallade själva slutsatsen tentativ och hade inte uteslutit aktiv reabsorption — de diskuterar uttryckligen möjligheten att en liten del av inulinet reabsorberas. Men resultaten gav också positivt stöd: inulin återfanns nära kvantitativt i urinen och dess utsöndring var proportionell mot plasmahalten. Slutsatsen var därför en operativ fysiologisk avgränsning snarare än ett direkt bevis: det som inte secerneras och inte reabsorberas i nämnvärd grad, och som återvinns kvantitativt, kan användas som mått på filtration.

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.

“Gold standard” här definieras delvis negativt: inulin är ideal främst genom frånvaron av tubulär hantering — men stöddes också positivt av filterbarhet, linjär clearance och nära kvantitativ återvinning. Den moderna kliniska mätningen (iohexol, iotalamat, ⁵¹Cr-EDTA, ⁹⁹ᵐTc-DTPA) är i grunden jakten på en markör som beter sig som inulin men är praktiskt hanterbar — utan långvarig infusion, för flera alternativ utan radioaktivitet, och med enklare provtagning.

Referensen är också en konstruktion

Även referensmetoden är operativ, inte absolut. Inulinclearance kräver kontinuerlig infusion och tidsatt urinuppsamling; de moderna exogena markörerna kan bygga på antingen urin- eller plasmaclearance, där plasmametoderna ersätter urinuppsamlingen med modellering av koncentrationsförloppet (area under kurvan) och därmed andra metodantaganden; enpunktsmetoder lägger till ytterligare fel. Det som kallas mGFR är därför inte en avläsning av sanningen utan en clearance-baserad skattning av GFR — en väldefinierad men metodberoende storhet. Förkortningen är vedertagen och används genomgående här. Den utskrivna formen “mätt GFR” vore däremot missvisande — ingen metod mäter GFR. De mäter clearance av en markör, och skattar GFR ur den.

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?

Att inulin är facit betyder inte att det är den bästa markören — bara att det kom först och därför fick definiera facit innan alternativen fanns [min tolkning].

Problemet är cirkulärt, och det är uttryckligen erkänt i litteraturen. De moderna exogena markörerna validerades mot inulinclearance: iohexol ursprungligen mot ⁵¹Cr-EDTA [36], som i sin tur mot inulin; iotalamat mot inulin, där det till och med översteg referensen (minimal tubulär sekretion) och därför beskrevs som att markören avvek från standarden. SBU:s systematiska översikt av GFR-bestämning [37] definierar rentav sitt referenstest som renal inulinclearance och bedömer alla andra markörer som “indextest” mot det. En ny markör kan därför per konstruktion bara visas vara mer eller mindre konkordant med inulin — aldrig sannare än inulin, så länge inulin definierar sanningen. (Att vara “bättre” i andra bemärkelser — mer standardiserbar, mer precis, mer robust i protokoll, lättare för patienten, prognostiskt mer användbar — är en separat fråga, och där kan en markör mycket väl slå inulin; se nedan.) Delanaye säger det rakt ut: inulinets ställning vilar inte på att det jämförts med och visat sig slå andra markörer, utan på det fysiologiska resonemang som gjorde det till referens från första början — som han själv uttrycker det, “den första metoden är inte jämförbar med någon annan.” De jämförande studier som ändå finns i efterhand håller dessutom, enligt Delanaye, sällan stark statistisk metodik [38]. Facit definierar bort möjligheten att slå facit.

Den mest lockande invändningen — att inulinets antagna inerthet kanske brister metabolt, inte bara transportmässigt — håller dock inte. Shannon & Smith visade transportinerthet (ingen sekretion, ingen nämnvärd reabsorption), inte metabol stabilitet; de två är skilda påståenden. Men den metabola stabiliteten stöds ändå, om än indirekt: människan tycks sakna relevant vävnadsinulinas — inulinas/fruktanhydrolas är ett tarmmikrobiellt enzym, vilket är skälet till att inulin per os fermenteras medan intravenöst inulin klassiskt anses passera oförändrat och återvinnas nära kvantitativt i urinen [38]. Jag har dock inte funnit en dedikerad farmakokinetisk primärkälla för human inulinmetabolism i de GFR-metodkällor som granskats här; påståendet vilar på metodlitteraturen och på att inulinaset är mikrobiellt, inte på en direkt metabol studie. Med den reservationen: det finns inget belägg för nämnvärd human vävnadsmetabolism av inulin, och på den punkten var misstanken sannolikt fel.

De verkliga sprickorna i “ideal inerthet” ligger i stället på två andra ställen, och båda är mer upplysande än den metabola. För det första är den renala utsöndringen inte fullständig: en liten extrarenal clearance finns, mätt både hos människa och hos anefriska djur — men den är i stort sett lika stor för iohexol och ⁵¹Cr-EDTA (i anefriska grisar 0,83 mot 0,87 respektive 0,79 ml·min⁻¹·10 kg⁻¹) [39], alltså ett generellt småmolekylärt dispositionsfenomen snarare än något som utmärker inulin. Den skiljer inte markörerna åt. För det andra — och mer ironiskt — saknar inulinet självt en standardiserad analys: det mäts via sur hydrolys till fruktos, med glukosinterferens hos diabetiker, och samma patients GFR kan variera med storleksordningen ±10 ml/min beroende på vilken inulinmetod som använts [38]. Just den egenskap — analytisk standardisering — som kreatinin och cystatin C senare tvingades skaffa sig (IDMS, ERM-DA471; Del 4.2, 4.4) har aldrig funnits för guldstandarden.

Finns det då direkta jämförelser? Ja — samma patient, samma dag, inulin mot iohexol har jämförts direkt, och de överensstämmer väl (medelbias kring 2–3 ml/min/1,73 m², ICC ≈ 0,92, P30 över 80 % hos barn [40]; en modern trevägsjämförelse inulin/iohexol/⁹⁹ᵐTc-DTPA visar att iohexolens träffsäkerhet är protokoll- och GFR-beroende [41]). Men varje sådan studie sätter inulin som referens — så de visar överensstämmelse och en karakteriserad bias mot inulin, inte att inulin är sannare. Sammantaget pekar allt åt samma håll [min syntes]: inulinets guldstandardstatus är till stor del stigberoende. Skälen att överge det för iohexol handlar om hanterbarhet — infusion och tidsatt urinuppsamling mot en enkel plasmabolus — inte om att iohexol skattar GFR mindre korrekt. Frågan “är inulin bäst?” är dessutom, under det rådande ramverket, inte ens välställd, eftersom inulin är det mot vilket “bäst” definieras.

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

För storleksnormeringen måste jag backa några år — till ureafysiologin 1928, alltså före både inulinarbetet och de kreatininbaserade prediktionsformler som senare skulle dominera. Ingen konvention i eGFR-världen ärvs oftare och förstås sämre än normeringen till 1,73 m², och dess ursprung är inte glomerulärt utan ligger i ureaclearance.

När Möller, McIntosh & Van Slyke [9] studerade ureautsöndring stötte de på jämförbarhetsproblemet: en större person kan ha större absolut ureaclearance och utsöndringsflöde utan att njurfunktionen per kroppsstorlek är bättre. Deras lösning var att uttrycka värdet per 1,73 m² — beskriven som genomsnittlig vuxenyta — och korrigera varje individs värde med faktorn 1,73/(individens kroppsyta). I de tillhandahållna källorna är det alltså ureaarbetet som etablerar 1,73 m² som njurfunktionsstandard, decennier innan den första kreatininbaserade prediktionsformeln.

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.

Två poänger:

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.)

Skelettet står färdigt

De fyra dragen är nu på plats: en markör (Rehbergs kreatinin, Shannon–Smiths inulin), en clearance-beräkning ($U\cdot V/P$), en referensstandard (inulin, senare iohexol/iotalamat) och en storleksnormering (1,73 m²). Det är skelettet allt i huvudlinjen vilar på.

---

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

Den ideala filtrationsmarkören är en kravspecifikation, inte ett ämne: den skulle filtreras fritt, varken reabsorberas, sekreteras eller metaboliseras, och inte produceras av kroppen själv. Inulin kom närmast, och det var Shannon och Smiths bidrag (Del 1) — men bara närmast. Inertheten var en operativ avgränsning, inte ett bevis: de kallade själva slutsatsen tentativ, en liten extrarenal clearance finns, och analysen blev aldrig standardiserad. Även guldstandarden är alltså en approximation.

Inulinets avgörande begränsning är ändå inte fysiologisk utan praktisk: det måste infunderas och mätas under kontrollerade former — det duger som referens, inte som rutin. Klinisk vardag krävde något enklare: ett ämne kroppen redan har i blodet, mätbart i ett enda prov. Priset för den bekvämligheten: en endogen markörs koncentration speglar inte bara GFR, utan också produktionen, den tubulära hanteringen och distributionsvolymen — och den gör det längs en kurva som är obekvämt formad.

Hyperbeln: varför markören är blind där det räknas mest

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 är kreatininets blinda intervall: markören är som minst känslig i just det spann — tidig, måttlig funktionsnedsättning — där tidig upptäckt skulle betyda mest, och som mest känslig först när skadan är avancerad. Hyperbeln är inte ett fel i mätningen; den är inbyggd i vad det innebär att avläsa GFR via en koncentration. Den är också ett första argument för att indexera och modellera snarare än att läsa råa koncentrationer (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 stiger koncentrationen mot sitt nya jämviktsvärde — men inte omedelbart. Koncentrationen integrerar obalansen över tid, med en tidskonstant satt av distributionsvolymen delat med clearance. För kreatinin är den storleksordningen dygn. Följden är kliniskt farlig: direkt efter en akut GFR-kollaps underskattar kreatinin skadan — en patient kan vara anurisk och ändå ha ett nästan normalt kreatinin första dygnet, eftersom markören ännu inte hunnit ackumuleras. Ett eGFR beräknat på det värdet är inte bara oprecist utan fel i princip, eftersom formeln antar en jämvikt som inte råder.

Cystatin C, med mindre distributionsvolym, kan stiga något snabbare men släpar också. Generellt: varje engångsmätning av en endogen markör förutsätter tyst att patienten är i jämvikt — och det är felbudgetens komponent 6 (Del 8).

Kreatinin: muskelmassans markör mer än njurens

Om hyperbeln och jämviktskravet gäller alla endogena markörer, så har varje enskild markör dessutom sina egna avvikelser från idealet. För kreatinin är avvikelserna stora nog att definiera markören.

Produktion. Kreatinin bildas icke-enzymatiskt från kreatin och fosfokreatin i muskulatur, i en takt som i grova drag är proportionell mot muskelmassan. “Konstant produktion” är därför en fiktion: 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 IDMS-standardiseringen (Del 4.2) tvingade in i ett gemensamt spår, med koefficientskiftet 186 → 175 som synligt avtryck.

Cystatin C: fri från muskeln, men inte determinantfri

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 — oberoende av muskelmassa. Det är hela poängen: den sarkopene patient som kreatinin felbedömer felbedöms inte av cystatin C av samma skäl.

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 överlappar alltså inte 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

Cystatin C är inte den enda lågmolekylära filtrationsmarkören. Beta-trace protein (BTP) och β₂-mikroglobulin är två andra som filtreras och är mindre beroende av muskelmassa; de har studerats som eGFR-markörer men fått begränsad klinisk spridning, dels av tradition, dels av att de saknar cystatin C:s validerings- och standardiseringsbas. De nämns här för fullständighet: markörlandskapet är inte tvådelat, men i praktiken har kreatinin och cystatin C blivit de två som räknas.

Konsekvensen: ingen enskild markör räcker

Sammantaget: den bekväma markörens koncentration är en funktion av GFR plus produktion plus tubulär hantering plus distributionsvolym plus en rad icke-GFR-determinanter — avläst längs en hyperbel som är blind där det räknas mest, och giltig bara i jämvikt. Det är felbudgetens komponent 1 (markörbiologi) och komponent 6 (icke-steady-state) i sin renaste form.

Två slutsatser följer. Den ena: eftersom koncentrationen inte är GFR måste den modelleras — korrigeras för de determinanter man kan mäta (ålder, kön, kroppsyta), vilket är modelltråden (Del 3–4) och normeringsfrågan (Del 5). Den andra: eftersom ingen kovariat helt fångar en enskild individs muskelmassa eller inflammationsläge finns en irreducibel rest — och de enda hävstängerna förbi den är en andra markör med andra determinanter (cystatin C) och seriell självreferens (Del 7). Dilemmat är inte att man valde fel markör, utan att varje endogen markör bär samma slags fel — och att det felet inte går att modellera bort helt, bara att kringgå.

Del 3 — Modellgrammatiken: modelltråden

3 Modellgrammatiken: hur sambandet har modellerats (modelltråden)

Alla eGFR-formler är i grunden samma sorts objekt: en statistisk modell av sambandet mellan en markör i plasma och mGFR. Den här delen följer hur den modellen har blivit mer sofistikerad — och till slut, överraskande nog, enklare igen.

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.

Varför log-rummet — tre saker som ofta buntas ihop

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 — vilket är en av anledningarna till att formler rapporterar median. Viktning är ett separat modellval, inte en följd av logaritmeringen.

Exponenterna är empiriska kurvanpassningar, inte fysikaliska konstanter

Del 4 illustrerar detta mot källa. Ren massbalans förutsäger kreatininexponenten $b = -1$. MDRD:s 6-variabelform har −0,999 — praktiskt taget den rena reciproken. Men MDRD:s 4-variabelform har −1,154: när urea och albumin plockas bort ändras den empiriskt skattade kreatininlutningen, förenligt med att kreatininvariabeln då bär signal som annars fångas av andra kovariater. Och FAS återgår till −1 — men på en omskalad markör. Exponenten är alltså inte en naturkonstant utan en parameter som absorberar det modellen inte annars fångar. Två följder: den är populationsberoende (samma form kan ha olika exponent i olika material), och en bias i markören fortplantas som $P^{b}$ — vilket är exakt varför standardiseringen (Del 4.2:s 186→175, Del 4.4:s ERM-DA471) är en förutsättning för att en formel ska vara överförbar.

Formtaxonomin — modelltråden

Utvecklingen är en trappa i hur sambandet modelleras, och den kulminerar i en omsvängning:

• Deterministisk algebra (Cockcroft–Gault): ingen statistisk modell av markör↔GFR-sambandet alls — en åldersberoende produktionskurva instoppad i clearance-identiteten.
• Enda 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 demografiska multiplikatorer.

Bågen är alltså inte monotont “mer komplex”. Formen blir rikare (algebra → potenslag → spline → spline i två markörer) och sedan enklare (Q-omskalad reciprok), därför att komplexiteten flyttar från funktionsformen till markörnormaliseringen.

Regression betyder betingad förväntan

Francis Galton — viktoriansk polymat, Charles Darwins halvkusin — myntade termen “regression” i sin studie av ärftlig kroppslängd (1886): barn till mycket långa föräldrar blev i genomsnitt kortare än föräldrarna, och barn till mycket korta föräldrar blev längre, mot populationens medelvärde. Han kallade fenomenet “regression towards mediocrity” — regression mot medelvärdet — och namnet fastnade långt bortom ärftlighetsstudier, som beteckning på just den sortens anpassning. Det formlerna gör är att anpassa den betingade förväntan $\mathrm{E}[\ln \text{GFR} \mid P,\ \text{ålder},\ \text{kön}]$ som minimerar de kvadrerade residualerna. Residualen är avvikelsen från den anpassade ytan; spridningen kvantifieras med standardfelet (SEE) eller motsvarande. En distinktion Del 6 utvecklar: konfidensintervallet (osäkerheten i den skattade medelrelationen) är smalt, medan prediktionsintervallet (osäkerheten för en enskild individ) är brett. Formeln förutsäger det typiska GFR för någon med din markör, ålder och kön — men du personligen kan sitta var som helst i residualmolnet.

Individtaket

Residualmolnet har två komponenter, och bara den ena går att modellera bort. (i) Modell-/kovariatbegränsning: du är atypisk i en determinant modellen inte ser — muskelmassa, kost, tyreoidea. (ii) Irreducibelt brus: analytisk variation, biologisk GFR-variation, och mätfel i referens-GFR. Ordet “genomsnittlig” angriper bara (i). Det är därför även de bästa kreatininformlerna i breda valideringar i praktiken hamnar på en platå kring mitten av 80-talet i P30 (Del 6) — med variation mellan kohorter och referensmetoder, inte som en absolut gräns: det individuella prediktionsintervallet är brett, och ingen funktionsform kan krympa det bortom vad markörbiologin tillåter. Denna tudelning är inte bara min konstruktion — Inker et al. [13] namnger samma komponenter uttryckligen: den kvarvarande imprecisionen beror enligt dem på markörernas icke-GFR-determinanter, den fysiologiska GFR-variationen och mätfelet i referens-GFR, och de påpekar att det sista speglar begränsningar i referensmetoden, inte fel i själva skattningsekvationerna.

Takgräns-tesen

Här formulerar jag den tes som binder ihop modelltråden, uttryckligen som min syntes och inte som någon enskild källas slutsats. Funktionsformens sofistikering ger avtagande avkastning på individuell träffsäkerhet. CKD-EPI:s spline förbättrade P30 med ~3,5 procentenheter över MDRD — en verklig men modest individvinst. De hävstänger som når förbi taket är inte funktionsformer:

1. En andra markör med delvis oberoende fel (Inker et al. [13]: +4,3 P30, en tredjedel färre grova fel, med bibehållen bias). Mekanismen — som Inker et al. uttryckligen ramar som en hypotes, och där de själva pekar ut fler markörer som vägen framåt — är att kreatininets och cystatin C:s icke-GFR-fel i hög grad är oberoende, så medelvärdesbildning tar bort markörspecifikt fel. Reservation: bara om felen faktiskt är oberoende/motriktade för individen — delad bias ärvs.
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; alla potenslagar, avtagande avkastning på individnivå) och den andra markören som ett lodrätt hopp på informationsaxeln. Modelltrådens slutpunkt, Q-omskalningen, är matematiskt elegant men den är populationsnormalisering: den angriper den systematiska mellan-gruppsbias som beror på att markörens normalnivå skiljer sig mellan ålder, kön och population — inte den kvarvarande inom-grupps-residualen (muskelmassa, kost, analytisk variation, referensmätfel). Nyman et al. [14] visar detta direkt: rätt populationsspecifikt Q förbättrade bias och P30 i en svart europeisk kohort medan precisionen (IQR) var i princip oförändrad. Slutsatsen — som är en syntes över flera studier, inte en kohortidentisk direktjämförelse — är att marginalvinsten av en ny funktionsform är modest medan en andra markör eller seriell uppföljning ger minst lika stor individvinst. Det är den insikten Del 4.4 infriar och Del 7 fullföljer.

Del 4 — Fallstudier (modelltråden i praktiken)

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 — det kontrollerade undantaget (CrCl, ej GFR)

Cockcroft–Gault [15] är den första fallstudien i Del 4 — och den enklaste att missförstå. Den listas rutinmässigt bland eGFR-formlerna, men den skattar inte GFR: den predikterar kreatininclearance, och den kalibrerades aldrig ens mot mGFR. Den tvingar läsaren att se fem saker som variabler, som MDRD och CKD-EPI sedan döljer bakom en enhetlig fasad: vilken storhet man estimerar (estimand), mot vilken referens, i vilken rapportenhet, med vilken assaykalibrering, och för vilket kliniskt syfte.

Härledningen: en åldersproduktionskurva instoppad i clearance-identiteten

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:

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

Detta uttrycker en fysiologisk verklighet: muskelmassan, och därmed kreatininproduktionen, minskar med åldern. För man in den åldersberoende produktionskurvan i själva clearance-identiteten (utsöndrad mängd delat med plasmakoncentration) och räknar om till ml/min, faller den välkända formeln ut:

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

Två detaljer för en klinisk-kemisk läsare. För det första: den berömda “72” är ingen fysiologisk konstant. Den uppstår algebraiskt — 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; “72” bär alltså spår av både den empiriska kurvan och dimensionsanalysen. Cockcroft & Gault noterar dessutom att genomsnittsvikten för en man “av en slump” också ligger nära 72 kg. För det andra: 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”. Det är en påbyggd extrapolation, en av formelns äldsta kända svagheter.

Estimand och referens: en annan storhet mot en annan referens

Cockcroft–Gault predikterar kreatininclearance, och originalartikeln validerade prediktionen mot medelvärdet av två 24-timmars kreatininclearance — inte mot mGFR bestämt med en exogen filtrationsmarkör. För GFR-estimeringens senare syfte betyder det att formeln skattar en annan storhet (Ccr) mot en annan referens (24h-Ccr) än MDRD och CKD-EPI. Detta är ingen anakronistisk kritik — i sitt eget syfte var kreatininclearance den avsedda storheten — men det förklarar varför Cockcroft–Gault beter sig annorlunda när den används som GFR-mått. Eftersom kreatininclearance överstiger GFR (tubulär sekretion), överskattar Cockcroft–Gault GFR även när clearance-prediktionen i sig är korrekt. Levey et al. [3] kvantifierade denna överskattning till 16 % för Cockcroft–Gault-predikterat kreatininclearance mot 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

Det är en seglivad missuppfattning att Cockcroft–Gault var först. Cockcroft & Gault jämför uttryckligen sin formel med tidigare publicerade Jelliffe-formeluttryck¹ — samt med ett samtida kreatininclearance-nomogram (Kampmann & Siersbæk-Nielsen). Kreatininbaserad prediktion var alltså redan ett etablerat fält 1976. Cockcroft–Gault blev inflytelserik inte för att den var först, utan för att den var enkel och tog in två starka praktiska surrogat — ålder och vikt — trots ett betydande individuellt prediktionsfel (se nedan). Den historiska poängen bör dock inte dominera: den största missuppfattningen är inte kronologin, utan att formeln ofta presenteras som eGFR trots att den predikterar 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. Men korrelationen säger lite om det som betyder mest kliniskt. 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 — en distinktion Cockcroft & Gault själva tog på allvar genom att också redovisa avvikelser från identitetslinjen, standardfel, lutning och intercept. Detta pekar rakt fram mot Del 6:s diskussion om vad “bra” betyder, och varför P30 och prediktionsintervall säger mer än ett r-värde.

Begränsningar som Cockcroft & Gault själva flaggade

Tre av formelns viktigaste begränsningar står redan i originalartikeln, och alla tre blir teman längre fram:

• 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 erkänner 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. Det är en stark statistikhistorisk poäng — och en naturlig brygga till MDRD:s och CKD-EPI:s separata tränings- och valideringsuppdelning, som var ett direkt svar på just den svagheten.

Assaykalibrering och användningsdomän

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.

Användningsdomän: Cockcroft & Gault motiverade själva formeln med behovet att dosera potentiellt toxiska, renalt utsöndrade läkemedel, och just den absoluta clearance i ml/min gav den ett långt liv i farmakokinetiken. Att CG fortfarande sitter i bipacksedeln på tusentals godkända läkemedel är inte ett omdöme om formeln — det speglar bara att den var det njurfunktionsmått studierna bakom preparaten råkade använda.

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 — första riktiga GFR-formeln + standardiseringens emblem

Om Cockcroft–Gault var det kontrollerade undantaget, är MDRD normalfallet — den första formeln som gör alla de drag de senare kreatininformlerna delar. Där Cockcroft–Gault predikterade en annan storhet (kreatininclearance) mot en annan referens (24-timmars-Ccr) i absoluta enheter, byter MDRD på en gång tre saker: estimand blir GFR, referensen blir en riktig filtrationsmarkör, och funktionsformen blir en log-linjär regression mot mGFR. Dessutom blir MDRD emblemet för den andra av artikelns tre trådar — analytisk standardisering — genom en händelse som få formler har: den 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 bestämmer nästan allt om formelns styrkor och svagheter. 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. Formeln lärde sig relationen markör↔GFR i det låga registret — och det är exakt där den fungerar bäst, och exakt varför den sviktar vid nära-normal funktion (nedan). Detta är transportabilitets- och spektrumpoängen i koncentrat: en formels giltighet är inte en egenskap hos formeln, utan hos den population och det GFR-intervall den anpassades i.

Funktionsform: den första log-linjära regressionen mot GFR

Cockcroft & Gault stoppade in en produktionskurva i clearance-identiteten. MDRD gör i stället det som blir mönstret för allt som följer: en stegvis multipel regression på log-transformerade data [3]. Log-transformeringen är inte kosmetisk — den valdes för att 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 SUN är serumurea och Alb serumalbumin. Den senare, mest använda 4-variabelformen släppte urea och albumin med minimal förlust i träffsäkerhet. En detalj för 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.

Assaykalibrering: MDRD som standardiseringens emblem

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 — en formel är aldrig bättre än markörens kalibrering. 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 är det tydligaste historiska exemplet, eftersom samma formel bokstavligen har två koefficienter beroende på vilken kreatininkalibrering som används.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 — formeln lärde sig aldrig det höga registret, eftersom kohorten var njursjuk. 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 kom först i 2007-artikeln [16].)

4.3 CKD-EPI 2009 — när kurvan får böja sig (styckvis linjär spline)

MDRD hade ett problem den inte kunde lösa inifrån sin egen form: en enda slät potenslag underskattade systematiskt GFR i det nära-normala registret. CKD-EPI löste det inte med en ny markör eller en ny referens — utan genom att låta funktionsformen böja sig. Två saker gjorde vinsten möjlig: en bredare utvecklingskohort som faktiskt innehöll det höga registret, och en rikare funktionsform som kunde utnyttja det. Tillsammans gör de CKD-EPI till det första riktiga steget uppför modelltrådens stege.

Population: den bredare kohorten som gjorde vinsten möjlig

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. Formeln såg alltså både det låga och det nära-normala och höga registret — utan det hade ingen funktionsform kunnat kalibreras där MDRD var svagast. 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 $-1{,}209$.

Två saker gör detta till en genuin ökning i statistisk sofistikering. För det första var formen datadriven, inte antagen: Levey et al. använde först icke-parametriska smoothing-splines för att karakterisera sambandets faktiska form, och skapade sedan en styckvis linjär spline som matchade den. MDRD antog en potenslag; CKD-EPI mätte upp kurvan och valde formen därefter. För det andra knyter arbetet själv formen till vinsten: den lägre biasen vid högre GFR “reflects use of a spline term for serum creatinine”, som fångar den svagare kreatinin–GFR-relationen vid lägre kreatinin.

En finare konsekvens av den könsspecifika splinen: 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.

Prestanda: allt förbättrades — men olika mycket

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 %. Fördelningen är poängen: biasen förbättrades mest (mer än halverad), medan precisions- och träffsäkerhetsvinsten var modest (+3,5 procentenheter P30). CKD-EPI svaras ut indexerat per 1,73 m² och byggdes på standardiserat kreatinin. Det är denna profil — stor bias-vinst, liten individvinst — som gjorde att CKD-EPI ersatte MDRD för allmänt bruk och minskade det metodologiska skälet till att undvika exakta högre eGFR-värden.

Huvudbegränsning — publikationens egen, och artikelns större lärdom

De två bör hållas isär. Publikationens egen begränsning: utvecklingsmaterialet innehöll relativt få äldre och personer ur ras-/etniska minoriteter med mGFR, vilket begränsar precisionen i de grupperna.

Min syntes (inte en formell gräns i 2009-artikeln): att alla mått förbättrades men individvinsten var liten pekar mot avtagande avkastning på individnivå från funktionsformen. Även efter splinen är P30 bara 84 % — ungefär var sjätte individ har ett estimat mer än 30 % fel. Den kvarstående spridningen sätts rimligen av kreatininets icke-GFR-determinanter (muskelmassa, kost, sekretion), som ingen funktionsform kan ta bort så länge man mäter en enda markör. Det är den hypotesen — inte något publikationen bevisar — som motiverar att nästa stora steg blir en andra markör med delvis oberoende fel (cystatin C, Del 4.4), inte en tredje funktionsform. CKD-EPI 2009 bar dessutom fortfarande rasfaktorn (här 1,159), vilket sätter upp Del 4.8.

4.4 Cystatin C 2012 — den andra markören som bryter individtaket

Efter CKD-EPI:s mer flexibla kreatininform fanns fortfarande betydande individuell oprecision kvar. Inker et al. [13] tolkar detta som ett markörproblem: både kreatinin och cystatin C bär icke-GFR-determinanter, och ingen funktionsform på en enda markör kan ta bort dem. Cystatin C är svaret på just det problemet. Den är inte en bättre markör än kreatinin — ensam är den inte mer exakt. Den är en annorlunda markör, och det är skillnaden, inte kvaliteten, som spelar roll.

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. Den kanske viktigaste egenskapen är negativ: cystatin C:s produktion beror inte på muskelmassan, som är kreatininets största icke-GFR-determinant.

Men cystatin C har sina egna confounders: tyreoideafunktion, kortikosteroid­behandling, obesitas och inflammation påverkar produktionen. Poängen — och hela grunden för det som följer — är att cystatin C:s och kreatininets felkällor i hög grad är oberoende av varandra. En person med stor muskelmassa får ett falskt lågt kreatinin-eGFR men ett opåverkat cystatin C-eGFR; en person med adipositas eller hypertyreos får det omvända.

Standardisering: samma läxa en gång till

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). Läxan från Del 4.2 upprepas: 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:

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

Notera vad som saknas: ingen rasterm (men en könsterm finns). 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):

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

På modelltrådens stege är detta ännu ett steg: från en enda potenslag (MDRD) till en spline i en markör (CKD-EPI) till en spline i två. Men vinsten kom inte i första hand från den rikare formen. Den kom från den andra markören.

Prestanda: var vinsten faktiskt uppstod

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 som störst där den betyder mest kliniskt: bland deltagare vars kreatininbaserade eGFR låg i intervallet 45–74 ml/min/1,73 m² förbättrade den kombinerade ekvationen klassificeringen. Det är därför Inker et al. ramar 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. Kombinationen är alltså inte någon särskild statistisk magi — det mesta av vinsten ligger i att väga samman två markörer med delvis oberoende fel.

Två reservationer hör hit, och båda är källförankrade eller uttryckligt märkta som min syntes:

• 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, en poäng vi utvecklar i Del 7.
• Residualmolnet sätts inte bara av markörbiologin. 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 är gemensamma för alla markörbaserade skattningar och sätter ett golv som ingen markör når förbi.

Att detta språng — en tredjedel färre grova fel — är större än vad en funktionsform ensam ger, är min syntes över artikelserien, inte ett test i Inker et al. [13]. Arbetet jämför inte kombinationen mot ett isolerat funktionsformssteg på samma data. Men riktningen är den takgräns-tesen förutsäger: den andra markören angriper den komponent i residualmolnet som funktionsformen aldrig kunde röra.

Hur de vägs samman — tre svar, ingen konsensus

Att kombinera två markörer låter som en sak. Det är tre, och de ekvationer som används i dag har valt olika.

• EKFC och Lund–Malmö tar det aritmetiska medelvärdet av de två färdiga eGFR-värdena: $(\text{eGFR}_{cr} + \text{eGFR}_{cys})/2$.
• FAS gör något som ser likadant ut men inte är det. Den 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 ur kreatinin ensam och 31 ur cystatin C ensam. Aritmetiskt blir det 53, geometriskt 48, harmoniskt 44 — CKD-EPI:s bivariata ger 46. 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. Så ser en gemensam anpassning ut när två prediktorer bär överlappande information om samma latenta storhet — ingen av dem får behålla sin fulla soloviktning. 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.

Och ändå ligger de nära varandra i praktiken. Det är precis vad takgräns-tesen förutsäger [min syntes]: kommer vinsten från den andra markören och inte från formen, ska ett naivt medelvärde fånga det mesta av den. Att FAS och EKFC håller jämna steg med en dedikerad bivariat anpassning är alltså inget argument mot den bivariata — det är ett argument för att informationen, inte algebran, gör jobbet.

Tre frågor står öppna, och artikeln avgör dem inte:

• Varför 50/50? Det finns inga starka belägg för att vikten ska vara lika. Är patienten sarkopen är det kreatininet som ljuger — borde dess vikt då sjunka? 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.
• Och den obekväma: medelvärdet suddar ut oenigheten — men oenigheten är i sig information (Del 7). När kreatinin och cystatin C bråkar är det en signal om att en markörs icke-GFR-determinanter dominerar. Ett kombinerat värde gömmer den signalen bakom ett enda tal, som ser lugnare ut än underlaget.

Rasfaktorn — förvarningen, korrekt avgränsad

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. Trenden (1,212 i MDRD → 1,159 i CKD-EPI 2009 → 1,08 i den kombinerade 2012-ekvationen → noll för cystatin C ensam — skilda ekvationer, inte en enda krympande parameter) är förvarningen.

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

4.5 Den nordiska tråden — Lund–Malmö Revised och CAPA (transportabilitet)

De amerikanska ekvationerna (MDRD, CKD-EPI) är starkt knutna till iotalamatbaserade utvecklingsdata, även om senare valideringar också använde andra exogena markörer. Den nordiska tråden byter tydligt referensmiljö: svensk/europeisk population och iohexol-plasmaclearance. Det gör den till en skarp lektion i vad “en bra formel” egentligen betyder — nämligen: bra var, och mot vad. Men lektionen måste dras försiktigt, för den enkla versionen (“ingen formel är inneboende bättre”) är lika fel som dess motsats.

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.

Funktionsformen är LM Revised:s signatur, och den skiljer sig från CKD-EPI:s spline. Ekvationen är:

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

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 saker för modelltråden. 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 — och det är den genuina skillnaden — 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.

Prestanda: bättre — och just därför ett bra transportabilitetsexempel

I den svenska kohorten presterade LM-ekvationerna bättre än både MDRD och CKD-EPI, med markant högre träffsäkerhet. Detta är inte något att tona ned: Björk et al. drar en stark lokal slutsats — LM-ekvationerna förefaller överlägsna i den svenska population som kohorten representerar. Men de drar den slutsatsen tillsammans med en uttrycklig brasklapp: ekvationerna bör inte rekommenderas generellt förrän de validerats i andra populationer.

Det är denna kombination — stark lokalt, men med explicit reservation om transportabilitet — som gör LM till ett rent exempel på en allmän princip [min tolkning]: en ekvations prestanda är alltid knuten till population, kreatininmetod, referensmetod och GFR-spektrum. LM är bättre här, i svensk iohexolmiljö. Det är en lokal styrka, inte ett biasfel — och frågan är inte om resultatet är “verkligt”, utan hur långt det kan transporteras. Att LM Revised och CKD-EPI tränats mot olika referenser (iohexol respektive iotalamat) är en möjlig dimension i varför de rangordnar patienter olika; men Björk et al. visar inte att det är den kausala förklaringen, och artikeln bör inte påstå mer än så.

CAPA: cystatin C med färre termer, inte utan demografi

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

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

Två egenskaper gör den relevant för artikelns argument. Den 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. För kön är saken däremot mindre avgjord än den brukar framställas. 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. Att kön “inte tillför något” gäller alltså på sin höjd i den äldre halvan av materialet, och det är i de kohorterna som formlerna oftast valideras. Vad det betyder för normaliseringen återkommer jag till i Del 4.6.

Riktningen håller ändå: där kreatininformlerna korrigerar för icke-GFR-determinanter genom att lägga till faktorer, behöver en cystatin C-formel färre av dem — på modelltrådens stege är CAPA en enkel potenslag med en linjär offset (−7), utan knutar, alltså mindre komplex än både CKD-EPI:s och LMR:s styckvisa former. Poängen är att markörens biologi ger enkelhet i modellen; att den skulle ge fullständig demografifrihet är ett steg för långt.

Detta pekar mot nästa steg i tråden. Om cystatin C klarar sig utan demografiska multiplikatorer, och om det verkliga problemet är att normalisera markören mot vad som är förväntat för ålder och kön, då finns en elegantare väg än multiplikatorer: att skala om själva insatsvariabeln. Det är precis vad FAS och EKFC gör med sitt Q-värde (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 — när korrektionen flyttar in i markören (Q-omskalning)

Hela vägen från MDRD har confounderkorrektionen skett på utsidan av markören: man har multiplicerat resultatet med demografiska faktorer (×0,742 för kvinna, ×1,159 för svart). FAS och EKFC gör något principiellt annorlunda — de flyttar in korrektionen i markören själv. I stället för att lägga till faktorer i efterhand skalar de om insatsvariabeln: kreatininet divideras med ett Q-värde, medel- eller medianvärdet av P-kreatinin för en frisk person av samma ålder och kön. Det låter litet, men det förändrar både funktionsformen och vad “rasjustering” ens betyder.

Q-omskalningen: normalisera markören, inte utfallet

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. Eftersom Q är åldersberoende och könsspecifikt är hela det demografiska beroendet inbakat i normaliseringen. Faktorerna på utsidan behövs inte längre.

FAS: tillbaka till den rena reciproken — på en omskalad markör

FAS-ekvationen [21] har en form som är slående efter alla splines:

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

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. Det är modelltrådens överraskning för FAS: efter normalisering räcker en ren reciprok. Men EKFC (nedan) visar att en spline ($\alpha = 0{,}322$ respektive $1{,}132$) fortfarande kan läggas ovanpå samma normaliseringsprincip — så poängen är inte att krökningen blir obehövlig, utan att komplexiteten flyttar från funktionsformen till markörnormaliseringen. Ålderstermen ($0{,}988^{(\text{ålder}-40)}$ över 40 år) fångar att GFR sjunker med åldern utöver det Q redan justerar för.

Den kanske viktigaste praktiska konsekvensen 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 (en poäng jag återkommer till i Del 4.7).

EKFC: splinen tillbaka, på det omskalade kreatininet — rasfri, med kön i Q

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?

Formuleringen “exakt samma matematiska form” rymmer en subtilitet som skiljer cystatin C-varianten från kreatininvarianten på just en punkt. I EKFC-kreatinin är vuxen-Q fast (0,70/0,90 mg/dL), så ålder går in på ett enda ställe: den yttre termen $0{,}990^{(\text{ålder}-40)}$. I EKFC-cystatin C är QcysC däremot självt åldersberoende (0,83 mg/L upp till 50 år, därefter $0{,}83 + 0{,}005 \times (\text{ålder} - 50)$) — och den yttre ålderstermen finns ändå kvar i den publicerade ekvationen. För en patient över 50 går ålder alltså formellt in på två ställen: en gång inuti normaliseringen, en gång som multiplikator utanpå.

Det ser ut som en dubbelräkning, men är det [min tolkning] inte — de två ingångarna gör olika jobb, och för en korrekt åldersnormaliserad markör ska båda finnas. Q svarar på frågan “är den här cystatin C-nivån normal för patientens ålder?”; den yttre termen svarar på “vilket absolut GFR motsvarar en åldersnormal markör vid den åldern?”. För en frisk person av vilken ålder som helst är $S_{cys} \approx Q_{cys}$, så $S_{cys}/Q \approx 1$, och $\text{eGFR} \approx 107{,}3 \times 0{,}990^{(\text{ålder}-40)}$ — precis den friska åldersnedgången i GFR, varken mer eller mindre. Det är samma tvåstegslogik som bär hela FAS/EKFC-konstruktionen: normalisera markören mot det åldersförväntade, och låt en separat term koda att ett åldersnormalt värde ändå motsvarar ett lägre absolut GFR ju äldre man blir. Att stryka den yttre termen för cystatin C skulle därför inte rätta en dubbelräkning — det skulle ta bort den friska åldersnedgången.

Den skarpa frågan är i stället om den enkla QcysC fångar cystatin C:s verkliga åldersstruktur. QcysC är en unisex, linjär approximation — en rät linje med lutningen 0,005/år över 50 år. Är den sanna åldersgången i friskt cystatin C inte linjär, eller inte könsoberoende, blir $S_{cys}/Q \neq 1$ för den friska äldre, och den residualen förstärks sedan av spline-exponenten (−1,132 över Q) och den yttre ålderstermen. Min egen metaanalys [42] visar att könsskillnaden i plasma-cystatin C är åldersberoende — det finns alltså en ålder×kön-interaktion som en unisex-linjär QcysC per konstruktion inte kan fånga. En normalisering som antar samma Q för båda könen och en konstant lutning kan därför lämna en systematisk rest, störst där åldersstrukturen avviker mest från den räta linjen — men detta är en hypotes, inte en slutsats, och två saker manar till försiktighet. För det första prövade Pottel et al. själva könsspecifika QcysC (0,86 män / 0,79 kvinnor) mot det unisexa 0,83 och fann ingen meningsfull förbättring av eGFR-estimaten (Bilaga D) — den enkla köns-huvudeffekten hjälper alltså inte. Min metaanalys pekar på något finare: en ålder×kön-interaktion, som ett könsspecifikt-men-åldersparallellt Q inte fångar. För det andra härleddes Q ur en stor blandad patient-/labbdatabas snarare än en strikt frisk referenspopulation, med 50-årsknuten vald pragmatiskt. Om, och hur mycket, detta ger systematisk eGFR-bias går därför inte att härleda ur algebran eller könsskillnaden ensam — det måste prövas mot mGFR-data.

Min praktiska ståndpunkt — inte en litteraturslutsats. Trots att Pottel et al. inte fann en meningsfull skillnad i eGFR-träffsäkerhet mellan unisex- och könsspecifik cystatin-Q, låter jag klinkemipedias eGFR-verktyg könsjustera QcysC som förval, med könsneutral Q som en valbar kryssruta. Skälet är inte att jag tror att vinsten är stor — “no meaningful differences” ska tas på orden — utan att korrektionen praktiskt taget är kostnadsfri: patientens kön är redan känt, ingen ny felkälla tillkommer, och varje enskild skattning flyttas i den riktning en verklig, uppmätt könsskillnad pekar mot. Att den populationsnivåvinsten är för liten för att synas i P30 är inget skäl att avstå: P30 är ett populationsmått (Del 6), och en korrekt riktad justering för individen behöver inte flytta en aggregerad siffra mätbart för att vara motiverad — så länge den inte kostar något.

Och det villkoret är precis vad de publicerade Q-värdena inte uppfyller i hela åldersspannet. 0,86/0,79 svarar mot en M/F-kvot på 1,089 — praktiskt taget identisk med den poolade kvoten för yngre vuxna, 1,086, i min metaanalys [42]. Den könsspecifika Q:n är alltså den unga vuxnas könsskillnad, pålagd i alla åldrar; hos de äldsta, där den sanna kvoten fallit till 1,034, överkorrigerar den med ungefär en faktor 2,6. En uniform könsjustering är gratis för den yngre patienten och en införd bias för den äldre. Det är just den dubbelheten metaanalysen landar i: könsneutrala ekvationer underskattar njurfunktionen hos yngre män, medan uniforma könsjusteringar överkorrigerar hos äldre.

Verktyget gör därför 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. För den yngre patienten faller Pottels 0,86/0,79 ut nästan exakt; för den äldre återstår knappt någon könskorrektion alls. 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. Den träffar båda ändpunkterna och undviker det språng en hård tröskel vid 60 skulle ge — men det ovaliderade ligger i rampens bredd, inte i dess riktning.

Det vore förenligt med den kliniska iakttagelsen att eGFR-cystatin C hos äldre inte sällan landar lägre än väntat, men felets riktning går inte att fastställa ur formens algebra ensam — den behöver prövas mot patientdata med både markörer och mGFR. Poängen artikeln kan slå fast är smalare och säkrare: ålder går in två gånger i cystatin C-varianten, det är avsiktligt och inget fel i sig, och den öppna frågan ligger inte i att markören åldersnormaliseras och sedan multipliceras, utan i hur väl en unisex-linjär QcysC beskriver en åldersgång som — åtminstone i sin könsdimension — bevisligen är mer sammansatt.

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). → Demografiskt avgörande: utvecklad på vita/europeiska populationer — vilket betyder att Q-värdena är kalibrerade för dessa. Transportabiliteten till andra etniciteter handlar därför inte om en rasfaktor utan om att skatta populationsspecifika Q-värden.

Det omformulerar rasjusteringsfrågan (Del 4.8): Q-omskalningen omformulerar hela “rasjusterings”-frågan. I stället för en multiplikativ rasfaktor — en enda siffra som ska fånga en hel kontinents genetiska variation — blir frågan om normalkreatininets nivå skiljer sig mellan populationer, och i så fall hanteras det med ett populationsspecifikt Q. Det är ett annat, och rimligare, sätt att ställa frågan än den som MDRD och CKD-EPI ärvde.

---

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 Pediatriken (och geriatriken) — bedside-Schwartz, CKiD U25 och BIS (≥ 70 år)

Pediatriken är inte en parentes i den här historien utan platsen där ett av dess centrala problem visade sig först och tydligast: hos barn går kroppsstorleken inte att ignorera. Ett barns muskelmassa — och därmed kreatininproduktion — ändras dramatiskt med tillväxten, så de demografiska surrogat vuxenformlerna använder (ålder, kön) räcker inte. Barnnefrologin tvingades därför tidigt att normalisera kreatininet mot kroppsstorlek på ett explicit sätt, och det gav en formstruktur som skiljer sig från alla vuxenformler.

Ursprunget (kontext): längd som kroppsstorleks-proxy

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 primitivt sätt att normalisera markören för kroppsstorlek.

Bedside-Schwartz 2009: den förenklade formeln som lever kvar

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. Utan den kopplingen ser 0,413 ut som en godtycklig siffra; med den är den standardiseringens fingeravtryck.

Prövad mot mallens dimensioner: 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. Assaykalibreringen är just poängen ovan.

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. → Demografiskt avgörande: en pediatrisk CKD-population med lågt GFR, vilket gör formeln kalibrerad för sjuka barn snarare än friska, och för det låga registret. Bedside-formeln är därför bäst förstådd som en förenklad snabbformel, inte som pediatrikens slutpunkt.

CKiD U25: pediatrikens egen kontinuitetslösning

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].

Detta ändrar den historiska slutsatsen: kontinuitetsproblemet fick två strukturella svar. U25 löste det inom den pediatriska CKiD-traditionen genom ålders- och könsberoende $\kappa$ upp till 25 år; FAS/EKFC löste det med en full-age-spectrum-normalisering av markören.

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 — spegelbilden i andra änden av åldersspektrumet

Om pediatriken tvingade fram en dedikerad ekvation i den ena änden av åldersspektrumet, upprepas mönstret nästan spegelvänt i den andra. Berlin Initiative Study (BIS) [43] tog fram två ekvationer för personer ≥ 70 år — en åldersgrupp som var tunt representerad i CKD-EPI:s utvecklingskohort (storleksordningen 650 deltagare ≥70). Materialet var en tysk populationsbaserad kohort (610 deltagare, medelålder 78,5 år; 570 utvärderingsbara), och referensmetoden var iohexol-plasmaclearance — samma familj som Lund–Malmö, CAPA och bedside-Schwartz, inte iotalamat. De två 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.

Det som gör BIS relevant för artikeln är inte formeln utan dess form. Funktionsformen är en enkel potenslag — ingen spline, ingen ny finess — så hela vinsten mot CKD-EPI kommer från att koefficienterna anpassats i just den population där de andra formlerna sviktar: de äldsta. Det är samma lärdom som den nordiska tråden (Del 4.5) och Q-omskalningen (Del 4.6) redan pekat mot: när underlaget för en åldersgrupp är tunt är hävstången populationsspecifik kalibrering, inte en rikare kurva. BIS är strukturellt bedside-Schwartz spegelbild — samma mall (en dedikerad ekvation för en åldersgrupp som huvudkohorterna underrepresenterar), samma referensmetod, samma plats i skelettet.

Senare valideringar bekräftar mönstret men skärper också brasklappen. 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. Ett mättekniskt “bättre” värde är alltså inte gratis om det förskjuter var tusentals patienter hamnar utan att prognosen ändras.

4.8 Rasfaktorns fall — en kompromiss, och en bättre lösning

Rasfaktorns avskaffande berättas ofta som en enkel rättvisevinst: en olämplig variabel togs bort. Det är sant men ofullständigt. Borttagandet var inte gratis, och den hållbara lösningen var inte att stryka en koefficient utan att byta markör.

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. Den krympande siffran (1,212 → 1,159 → 1,08 i den kombinerade 2012-ekvationen → noll för cystatin C ensam) antydde redan att den fångade något allt mindre robust.

Problemet: en social konstruktion i en fysiologisk formel

Tre invändningar konvergerade. 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, och kliniskt tyngst: 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 — den biologiskt “riktigare” variabeln. Det gick inte: härkomst gav ungefär likvärdiga estimat och tog inte bort felklassificeringen när variabeln ströks ur kreatininekvationen.

Signalen: reell association, svag mekanism

Att något verkligt fångades är svårt att bortförklara. 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] — en skillnad som överlevde 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.

Och den mekanistiska kedjan brister vid varje testbar länk. 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] — den solidaste pusselbiten — 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].

Det avgörande motargumentet är Hsu CY et al. [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. Slutsatsen [min syntes]: rasfaktorn fångade en reell men icke-mekanistisk och populationsspecifik association vars biologiska grund förblir okarakteriserad. Just därför var en grov rasproxy fel verktyg — inte för att den fångade ingenting, utan för att den fångade något litet, instabilt och oidentifierat, som en bättre markör (cystatin C) eller ett populationsspecifikt Q (Del 4.6) hanterar utan att kategorisera patienter efter hudfärg.

Kompromissen: varför borttagandet kostade

Inker et al. [31] visar exakt vad borttagandet gör i mätningen (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.

En enda kreatininekvation kan inte passa båda grupperna lika väl som de rasspecifika versionerna, eftersom kreatininets icke-GFR-determinanter faktiskt skiljer sig i genomsnitt mellan grupperna — oavsett orsak. Att stryka rasvariabeln byter en rasbaserad skillnad mot en mindre tvåvägs-bias. Det är rätt beslut av skäl bortom mättekniken, men en avvägning, inte en ren förbättring av träffsäkerheten.

Den egentliga lösningen: en bättre markör, inte en struken koefficient

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]).

Den hållbara lärdomen är alltså inte “stryk rasfaktorn” — det är en kompromiss — utan “lita mindre på en markör vars fel korrelerar med en social kategori”. Rasfaktorn var ett grovt surrogat; en bättre markör gör surrogatet onödigt utan att införa kompromissbiasen.

Konvergensen: artikelns tre trådar möts

Rasfaktorns fall är den punkt där artikelns tre trådar sluter sig: cystatin C:s demografiska oberoende (Del 4.4) ger en markör vars fel inte korrelerar med ras; transportabilitet som populationsberoende (Del 4.5) visar att prestanda alltid är knuten till kalibreringspopulationen; och Q-omskalningen (Del 4.6) ersätter rasfaktorn med ett populationsspecifikt normalvärde — vägen EKFC valde i Europa medan CKD-EPI valde omanpassning utan ras i USA. Gemensamt: ras var ett trubbigt surrogat för det en bättre markör eller normalisering hanterar utan att kategorisera patienter.

Tajmningen: varför just 2021, och inte tidigare?

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”. Att 2020–21 års sociala uppgörelse påskyndade åtgärden är alltså inte en efterhandskonstruktion — det står i litteraturen. (Rapporten namnger uppgörelsen abstrakt; George Floyd och Black Lives Matter nämns i sekundärlitteraturen, inte i rapporten själv.)

Men två saker måste hållas isär. Att 2020–21 var katalysatorn är okontroversiellt. Att faktorn därmed “applicerades felaktigt” är mer stridigt — den empiriska instabiliteten var synlig 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].

En rättvis sammanfattning är alltså “kom aldrig från en biologisk mekanism och blev alltmer instabil”, inte “räknefel”. Att skilja katalysatorn (varför nu) från den mättekniska grunden (varför alls) är en del av att läsa historien ärligt: den vetenskapliga grunden hade eroderat under ett decennium, och 2020–21 gav den sista knuffen.

Del 5–8 — Tolkning och syntes

5 Absolut vs indexerat GFR — kliniska konsekvenser

Ett eGFR-värde kommer med en enhet som ofta glöms: ml/min/1,73 m². Det lilla “/1,73 m²” är inte en formalitet — det säger att värdet är normaliserat till en standardkroppsyta, inte patientens faktiska filtration. För klassifikation är det rätt. Vid läkemedelsdosering kan indexeringen däremot få betydelse, särskilt vid extrem kroppsstorlek och för preparat med 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:

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

Poängen är jämförbarhet. En stor människa har mer njurvävnad och därför högre absolut GFR än en liten — utan att den ena njuren är “friskare”. Genom att skala bort kroppsstorleken svarar det indexerade värdet på frågan “är den här njurfunktionen normal för en standardstor person?”, vilket är precis vad man vill veta för att klassificera njurfunktion (KDIGO-stadierna, Del 0). Referensintervall och CKD-stadier är därför alltid uttryckta i indexerade enheter.

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.

Gemensamt: en del av felet kan uppstå i användningen av fel enhet för ändamålet, men 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). Avindexeringen är inte gratis: den multiplicerar in BSA-formelns eget fel. 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 Vad ‘bra’ betyder — bias, precision, träffsäkerhet

“Bra” är inte ett mått, utan minst tre — och en fälla. De tre är bias (systematiskt fel), precision (spridning) och träffsäkerhet (hur ofta man hamnar tillräckligt nära). Fällan är att alla tre är populationsmått: de beskriver en formels beteende över en kohort, inte hur säkert värdet är för patienten framför dig. Och en detalj under alltihop: måtten beräknas mot mGFR, som har sitt eget fel — så linjalen vi mäter formlerna med är själv graderad med osäkerhet.

De tre axlarna

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 formler kan ha samma (noll) bias men helt olika precision — den ena tätt samlad, den andra med brett hagelmönster kring rätt medelvärde.

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 har blivit fältets standardmått just för att det översätter “bias och precision” till “hur ofta är formeln tillräckligt nära för att duga kliniskt”.

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

Varför just 30 %? Det är en kliniskt tolererad bandbredd snarare än en statistisk 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] — men, som Del 3 visade och Del 8 återkommer till: enskilda kreatininekvationer planar ut kring mitten till övre 80-talet, och det sista steget upp mot 90 kommer från en andra markör, inte från funktionsformen.

Men P30 döljer två saker:

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. “Bäst i klassen” betyder alltså fortfarande en påtaglig minoritet med kliniskt relevant fel.
2. P30 skiljer inte grovt fel från katastrofalt. En patient vars eGFR är 31 % fel och en vars är 200 % fel bidrar lika mycket till 1−P30. Måttet censurerar svansen: två formler med samma P30 kan ha mycket olika värsta-fall-beteende.

Populationsmått vs det individuella prediktionsintervallet

Figur 5. Population mot individ — en smal fördelning (gruppens medel-GFR) mot ett brett individuellt prediktionsintervall; samma eGFR-värde, två frågor. Här ligger fällan. Bias, precision och P30 beskriver fördelningen av fel över en kohort. För en enskild patient vet man inte var i fördelningen just hon hamnar — och P30 kan inte utan vidare inverteras 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.

Den säkra slutsatsen är smalare: ett gott populationsmått gör inte punktvärdet exakt för individen. Ett individuellt prediktionsintervall måste redovisas från en validerad betingad felmodell, helst stratifierad efter relevanta kliniska och analytiska förhållanden. En bättre formel kan skjuta populationsmåtten uppåt några procentenheter utan att den individuella osäkerheten försvinner — vilket är förenligt med takgränsens tes (Del 3, Del 8), men inte i sig bevisar hur brett intervallet är vid ett visst eGFR.

Linjalen har sitt eget fel

En sista sak sätter ett golv under alltihop: måtten beräknas mot mGFR, som — iohexol- eller iotalamat-clearance — har sin egen imprecision. En formel kan därför inte visa bättre precision mot mGFR än vad referensmetodens eget brus tillåter; en del av den observerade spridningen är brus i facit, inte fel i ekvationen.

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.

Vad siffrorna faktiskt ser ut som

Med linjalen definierad blir talen i artikeln läsbara:

• En andra markör lyfte P30 från 87,2 (kreatinin ensam) till 91,5 % (kombinerad kreatinin–cystatin C) i Inker 2012 — den största förbättring artikelns huvudlinje dokumenterar, och den kom inte från en bättre kurva utan från mer information. (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 — verkligt men blygsamt.

Mönstret är genomgående: enskilda kreatininformler planar ut kring mitten till övre 80-talet i P30 (Del 3), och de steg som når högre kommer från en andra markör, inte från funktionsformen ensam. Det är den empiriska formen av takgränsen — och den blir synlig först när man vet vad P30 mäter och, lika viktigt, vad det inte mäter.

7 Klinisk tolkning — när markörer sviktar

En eGFR-formel ger en punktskattning. Klinisk tolkning kräver två saker till: att veta när själva markören ljuger, och att veta hur man pressar ut mer signal ur de mätningar man redan har. Det första handlar om markörsvikt — situationer där en markörs icke-GFR-determinanter dominerar över filtrationssignalen. Det andra handlar om två grepp som ligger bortom funktionsformen: att kombinera två markörer, och att jämföra patienten mot sig själv över tid.

När en enskild markör sviktar

Varje markör har sitt eget svekmönster, och mönstren överlappar inte.

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 oberoende 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 är olika och — i genomsnitt — i stor utsträckning oberoende (vilket är grunden för medelvärdesvinsten i Inker 2012). En sarkopen patient som feltolkas av kreatinin feltolkas inte av cystatin C av samma skäl. Reservation: i specifika tillstånd som uttalad inflammation, akut sjukdom och steroidexponering kan felen ändå vara korrelerade. Det är den fysiologiska grunden för att kombinera dem — och exakt den mekanism Inker et al. [13] föreslog (Del 4.4).

Medelvärdet: varför två markörer slår en — och när det inte hjälper

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.

Markördiskordans, som i en ren felbudget ser ut som brus, kan alltså bära egen klinisk signal: kvoten mellan två markörers eGFR är en gratis biprodukt av att mäta båda. 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

Den andra hävstången förbi individtaket ändrar inte formeln alls — den ändrar jämförelsepunkten. Grunden är begreppet biologisk variation.

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. Konsekvensen är konkret och underskattad: 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): hur stor en seriell förändring måste vara för att vara reell, dvs. överstiga den samlade analytiska och biologiska bruströskeln:

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

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 % är alltså sannolikt reell (inte analytiskt eller biologiskt brus). 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. Ett noterbart utfall: cystatin C:s lägre biologiska variation ($\text{CV}_I$ 3,3 mot 4,4) äts upp av dess högre analytiska brus ($\text{CV}_A$ 3 mot 1,5), så dess RCV blir bara marginellt lägre än kreatininets — i praktiken jämförbar, inte tydligt bättre — en nyansering av bilden av cystatin C som alltid den “renare” markören. 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].)

Det är hävstång #2: seriell självreferens verkar inte på estimatet utan på tolkningen — genom att jämföra patienten mot sitt eget tidigare värde kringgås den mellanindividuella komponenten ($\text{CV}_G$) som gör ett enskilt eGFR svårtolkat mot ett populationsreferensintervall. Den är kraftfull just för markörer med lågt individualitetsindex (kreatinin, cystatin C), och den är kliniskt underutnyttjad eftersom laboratorier rapporterar mot populationsreferensintervall snarare än mot patientens eget RCV. Den kräver ingen ny markör och ingen ny formel — bara ett tidigare värde och rätt jämförelse.

Ett besläktat verktyg paketerar samma variationsdata på ett kliniskt mer lättanvänt sätt: det personliga referensintervallet (RIper, eller prRI). Det bygger på exakt samma råvaror som RCV — $\text{CV}_A$ och $\text{CV}_I$ — men besvarar en annan fråga. RCV frågar “är skillnaden mellan två på varandra följande värden reell?” och ger ett tröskelvärde för förändring. Det personliga referensintervallet frågar i stället “vad är normalt för just den här patienten?” och ger ett intervall som ett nytt provsvar kan jämföras mot direkt, på samma sätt som en läkare redan jämför mot ett populationsreferensintervall.

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. Just det lånet är varför redan 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 — samma lågt-individualitetsindex-logik som gör RCV känsligt.

Coşkun-modellen tar dock patientens observerade medelvärde för pålydande. Røys et al. [54] generaliserar den med parametrisk empirisk Bayes (PEB): patientens medelvärde krymps (shrinkas) mot populationsmedlet med en vikt $B_n$ som växer med antalet prover, och intervallets bredd krymper med samma information — vid $n=0$ återfås populationsreferensintervallet, vid $n=1$ motsvarar bredden ett RCV, och med fler prover glider intervallet gradvis över mot patientens eget. RIpop, RCV och RIper blir alltså tre specialfall av en formel, metoden fungerar redan från ett enda tidigare prov, och den lägger till korrektionen för regression mot medelvärdet som de tidigare ansatserna saknade: ett enskilt högt värde är delvis en verkligt hög nivå och delvis en hög dag, och bästa gissningen ligger mellan mätningen och populationen. Det är den ansats klinkemipedias RIper-verktyg räknar med — härledningen i sin helhet finns i Personliga referensintervall med parametrisk empirisk Bayes.

Priset är en skarpare förutsättning än RCV:s, och den överlever bytet av modell. Det personliga intervallet kräver att de tidigare proverna togs i friskt, stabilt tillstånd — annars byggs “normalläget” på redan avvikande värden. RCV, som bara ställer två värden mot varandra, är mindre känsligt för den saken (även om också RCV-tolkningen blir säkrare med en stabil baslinje). Shrinkage dämpar skadan av ett enstaka snedtänt baslinjevärde, eftersom det dras mot populationen — men det är samma mekanism som kan dra en äkta avvikare mot det normala, så den löser inte problemet, den byter ut det. Praktiskt betyder det att RIper fungerar bäst för patienter med en etablerad frisk mätprofil — återkommande hälsokontroller — och sämre för den som bara provtas när något redan är fel. För njurmarkörerna är poängen densamma som för RCV: hävstången ligger inte i en ny formel utan i att jämföra patienten mot sig själv — och RIper gör den jämförelsen i en form som ligger närmare hur kliniken redan tänker.

8 Syntes — felbudgeten

Hela artikeln har kretsat kring en fråga: hur väl kan en plasmamarkör skatta GFR, och vad sätter gränsen? Svaret låter sig samlas i en felbudget — en uppdelning av det totala eGFR-felet i komponenter som kan angripas var för sig. Poängen med budgeten är dubbel: den visar vad varje formel i historien faktiskt gjorde, och den visar vilka komponenter som är irreducibla — de som ingen formel kan ta bort, och som därför sätter taket för hur en eGFR-formel kan prestera.

Felbudgeten: sex komponenter

Figur 6. Felbudgeten — de sex felkomponenterna, med pilar från varje historisk innovation till den komponent den reducerar (två kvarstår irreducibelt). Det totala felet i ett eGFR-värde kan delas i (åtminstone) sex delar:

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 hela modelltråden (Del 3) arbetade på.
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 bär sig 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 varje tråd angrep

Historien blir läsbar som ett systematiskt avbetande av budgeten:

• Standardiseringstråden (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.
• Modelltråden (Del 3, Del 4.1–4.6) angrep modellfel — funktionsformens oförmåga att fånga sambandet perfekt — från algebra till potenslag till spline till Q-omskalad reciprok, och nådde avtagande avkastning.
• 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) är där artikeln erkänner referensmetodfel: även facit har fel, och iohexol vs iotalamat är en verklig skillnad mellan formelfamiljer, inte en detalj.

Takgränsen: vilka komponenter är irreducibla

Komponent 4 (modellfel) har optimerats till avtagande avkastning — nästa spline vinner marginellt. Komponenterna 1 (markörbiologi) och 3 (referensmetodfel) sätter ett golv som ingen funktionsform kan sänka: så länge markören har icke-GFR-determinanter och facit har mätfel finns en irreducibel spridning. 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.

De två grepp som förbättrar den individuella träffsäkerheten ligger på olika nivåer — och ingetdera är den statistiska modellen:

• 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.

Ingen av dem är en bättre kurva. En gräns ligger dessutom utanför allt detta: vid icke-steady-state (komponent 6) hjälper varken funktionsform, Q eller en andra markör — en ekvation som bygger på ett enda provtagningstillfälle kan aldrig skatta GFR rätt förrän markörerna nått ny jämvikt, oavsett hur ekvationen i övrigt är konstruerad. Det är takgräns-tesens kärna: 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.

En sista påminnelse: GFR är inte hela bilden

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. Att hålla isär “hur väl skattar vi GFR” från “hur väl beskriver GFR njurhälsan” är i sig en del av att läsa formlerna rätt.

Bilagor

Bilaga A — Tidslinjetabell

Hela utvecklingen samlad i en tidslinjetabell: nio kolumner som ställer formelfamiljerna mot samma mall — år, namn, markör, estimand, referensmetod (markör · typ · regim), rapportenhet, population (kortform), kärninnovation och huvudbegränsning. Tabellen är bred och färgkodad, och ligger därför som en fristående, temaanpassad sida.

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; oberoende av muskelmassa 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). Hur stor en seriell förändring måste vara för att vara reell; $\text{RCV} = \sqrt{2} \times z \times \sqrt{\text{CV}_A^2 + \text{CV}_I^2}$ (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).

Bärande begrepp (artikelns teser)

• Felbudgeten. Uppdelningen av eGFR-felet i komponenter: markörbiologi, analysbias, referensmetodfel, modellfel, populationsfel, icke-steady-state (Del 8).
• Takgränsen. Tesen att funktionsformsförbättring ger avtagande individvinst; de enda hävstängerna förbi taket är en andra markör och seriell självreferens (Del 3, Del 8).
• Modelltråden. Den ökande statistiska sofistikeringen tvärs fallstudierna: 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). Q gör populationskorrektionen explicit: samma ekvationsform med ett populationsanpassat Q överför skattningen mellan populationer (transportabilitetspoängen, Nyman et al. [14]). Samtliga värden nedan är verifierade mot primärkälla utom där annat anges.

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) 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 den enda helt utan både ras och kön. Att den asymmetriska könsuppdelningen ger mindre synlig skillnad är en tautologisk konsekvens, inte ett bevis för att uppdelningen tillför information. Min egen praxis avviker ändå från EKFC-artikelns huvudekvation: eftersom korrektionen är kostnadsfri (kön är redan känt) och pekar i rätt riktning i förväntan, väljer klinkemipedias eGFR-verktyg könsspecifik Q som förval — se resonemanget i Del 4.6.

Populationsspecifika Q och transportabilitet. Q-ansatsens hela poäng är att ett populationsanpassat Q överför ekvationen utan att formen ändras. 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.