Soutenance de thèse de Théophile Ghislain Loïc Eyango Tabi

Membres du jury :

• Rapporteurs avant soutenance :
  • Christine LARGOUET, Maître de conférence, L'institut Agro Rennes-Angers, IRISA, Rennes, France
  • Paul HONEINE, Professeur, Université de Rouen, LITIS, Rouen, France
• Président : Catherine BELLOC, Professeur, Oniris, Nantes, France
• Examinateurs :
  • Ludovic BROSSARD, Ingénieur de recherche, INRAE, PEGASE, Rennes, France
  • Christine FOURICHON, Professeur, Oniris, Nantes, France
  • Christine LARGOUET, Maître de conférence, L'institut Agro Rennes-Angers, IRISA, Rennes, France
  • Paul HONEINE, Professeur, Université de Rouen, LITIS, Rouen, France
• Directeur de thèse :
  • Sébastien PICAULT, Chargé de recherche, INRAE, BIOEPAR, Nantes, France
• Co-directrice de thèse :
  • Nicolas PARISEY, Ingénieur de recherche, INRAE, IGEPP,
• Encadrant industriel :
  • Xavier L'HOSTIS, Responsable innovation, Adventiel, Rennes, France
  • Victoria POTDEVIN, Responsable data science, Adventiel, Rennes, France

Résumé :

La gestion des maladies infectieuses en élevage nécessite de détecter et prévoir les épidémies malgré la complexité des interactions hôte-pathogène-environnement et la difficulté d'extraire des informations pertinentes à partir des capteurs en
élevage. Cette thèse propose une approche innovante qui associe directement les données des capteurs à des connaissances issues de la modélisation épidémiologique mécaniste. En combinant l’apprentissage profond, capable d’extraire automatiquement des motifs dans des signaux complexes, et des modèles mécanistes reposant sur l’expertise vétérinaire, nous visons à améliorer le diagnostic à court terme et les prévisions à long terme des maladies en élevage. Les contributions principales de ce travail sont : (1) la fusion des données empiriques d’un capteur avec des simulations
mécanistes, tirant parti des observations et des savoirs théoriques ;
(2) l’intégration explicite de l’incertitude dans les prédictions pour en renforcer la fiabilité ; et (3) le développement d’une méthode de différenciation des scénarios pathogéniques afin d’orienter des interventions ciblées. Appliquées aux maladies
respiratoires des jeunes bovins (BRD), nos méthodes ont démontré, en conditions réelles et simulées, leur capacité à automatiser le diagnostic et à prévoir l’évolution de la maladie, ouvrant ainsi la voie à une réduction significative de l’utilisation d’antibiotiques et à une amélioration des performances des élevages. Ce travail ouvre de nouvelles perspectives en proposant une méthodologie modulaire alliant capteurs et connaissance, susceptible de constituer un outil de décision innovant pour une gestion sanitaire optimisée.

Mots clés :

Capteurs ; Intelligence artificielle ; Apprentissage automatique, Modèle épidémiologique mécaniste ; Santé animale ; BRD