Prevalence of Low-Frequency, Antiviral Resistance Variants in SARS-CoV-2 Isolates in Ontario, Canada, 2020-2023
Notice bibliographique
Résumé
Importance: Nirmatrelvir-ritonavir is an oral antiviral medication that improves outcomes in SARS-CoV-2 infections. However, there is concern that antiviral resistance will develop and that these viruses could be selected for after treatment. Objective: To determine the prevalence of low-frequency SARS-CoV-2 variants in patient samples that could be selected for by nirmatrelvir-ritonavir. Design, Setting, and Participants: This retrospective cohort study was conducted at 4 laboratories that serve community hospitals, academic tertiary care centers, and COVID-19 assessment centers in Ontario, Canada. Participants included symptomatic or asymptomatic patients who tested positive for SARS-CoV-2 virus and submitted virus samples for diagnostic testing between March 2020 and January 2023. Exposure: SARS-CoV-2 infection. Main Outcomes and Measures: Samples with sufficient viral load underwent next-generation genome sequencing to identify low-frequency antiviral resistance variants that could not be identified through conventional sequencing. Results: This study included 78 866 clinical samples with next-generation whole-genome sequencing data for SARS-CoV-2. Low-frequency variants in the viral nsp5 gene were identified in 128 isolates (0.16%), and no single variant associated with antiviral resistance was predominate. Conclusions and Relevance: This cohort study of low-frequency variants resistant to nirmatrelvir-ritonavir found that these variants were very rare in samples from patients with SARS-CoV-2, suggesting that selection of these variants by nirmatrelvir-ritonavir following the initiation of treatment may also be rare. Surveillance efforts that involve sequencing of viral isolates should continue to monitor for novel resistance variants as nirmatrelvir-ritonavir is used more broadly.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».