: Capteurs, IA et modèles pour gérer les maladies respiratoires de bovins

Les maladies respiratoires des bovins (Bovine Respiratory Disease, BRD), principales affections en atelier d’engraissement, sont difficiles à détecter et à gérer, ce qui engendre un usage important d’antibiotiques. Dans les projets SEPTIME (institut Carnot France Futur Élevage, 2022-2025) et DECIDE (Union Européenne), nous avons développé et testé un outil d’aide à la décision en élevage, qui mobilise de nouvelles technologies du numérique : capteurs, intelligence artificielle et modèles. Des colliers accéléromètres mesurent l’activité individuelle des animaux en continu. Mises en relations avec les observations vétérinaires via des algorithmes d’apprentissage automatique, ces données d’activité servent à prédire des cas suspects. Divers scénarios d’intervention sont alors simulés à partir de ces conditions pour identifer les mesures de maîtrise les plus efficaces : traitement ciblé ou collectif, isolement, confirmation clinique. Les éleveurs reçoivent alors un SMS qui les informe de la situation et des recommandations de l’outil. Ces travaux, menés en partenariat avec MSD, aboutissent à une chaîne logicielle innovante et open source qui a été testée sur le terrain de novembre 2024 à mai 2025, en collaboration avec 8 élevages engraisseurs des coopératives Terrena et Bovineo. Ce type d’outil, généralisable à d’autres maladies, d’autres systèmes de production ou d’autres espèces, permet de combiner des alertes précoces et la priorisation des interventions.

Contexte et enjeux 

Les BRD sont un défi pour les éleveurs : fréquentes, difficiles à détecter, causées par de nombreux agents pathogènes (bactéries et virus), elles entraînent un recours important aux antibiotiques, parfois à l’échelle du lot entier. L’outil développé vise à aider les éleveurs à détecter précocement ces maladies et à leur proposer les interventions jugées les plus prometteuses pour réduire la mortalité, la sévérité des cas et, si possible, l’utilisation d’antibiotiques.
Ce projet a également été l’occasion d’une preuve de concept d’une chaîne logicielle innovante, couplant données de capteurs et modèles mécanistes. Les capteurs seuls fournissent des alertes peu spécifiques, tandis que les modèles sont capables d’explorer une grande variété de scénarios sur des échelles de temps longues et d’identifier les mesures de maîtrise les plus efficaces.

Résultats 

Après une collecte de données (2023) qui a permis d’entraîner un algorithme d’IA à prédire l’état clinique des bovins à partir de leur activité, l’outil a été testé en 2024-2025  (550 animaux suivis dans 8 élevages). Les prédictions sur les animaux potentiellement malades sont envoyées à un modèle informatique de propagation des infections, pour simuler différents scénarios tenant compte des incertitudes (agent pathogène, niveau de risque…) et indiquer à l’éleveur la meilleure action à prendre (traiter, isoler, surveiller…). 
Une étude qualitative sur le ressenti des éleveurs et l’adéquation à leurs besoins, menée par l’Idele (institut de l’élevage), montre que l’outil renforce la surveillance et rassure les utilisateurs, aide à réagir plus vite mais reste perfectible. Une étude quantitative est en cours pour analyser finement l’impact de l’outil sur la santé des animaux et l’utilisation d’antibiotiques, mais aussi caractériser la précocité des alertes et la pertinence des recommandations.

Perspectives

L’analyse quantitative permettra d’affiner le paramétrage de l’outil et d’évaluer la qualité des recommandations. Les développements logiciels ont été réalisés dans une perspective générique [1] (par exemple en s’appuyant sur des colliers commerciaux) pour réduire la dépendance à une situation particulière. Le code informatique développé sera publié en open source de façon à permettre une réutilisation de la chaîne logicielle pour d’autres contextes : moyennant de disposer d’un modèle mathématique et de ré-entraîner l’algorithme d’apprentissage, d’autres systèmes d’élevages, maladies ou espèces pourraient bénéficier de la même approche. 

Valorisation 

Ces travaux ont été réalisés grâce à l’institut Carnot France Futur Élevage (projet SEPTIME) et au projet européen DECIDE (gestion des maladies endémiques des jeunes animaux). Les phases de terrain ont permis la réalisation de 2 thèses de doctorat, 9 thèses d’exercice vétérinaire, et 1 stage de master 2. 
Les jeux de données, riches de la diversité des informations recueillies (capteurs, observations cliniques, examens biologiques, pratiques zootechniques), seront diffusés au fur et à mesure des publications scientifiques (une est en préparation sur l’algorithme de prédiction et d’autres sont prévues pour analyser l’impact de l’outil et sa pertinence) pour permettre une réutilisation, ainsi que les codes sources.
Quatre séances de restitutions aux éleveurs, vétérinaires et coopératives partenaires ont été organisées, ainsi que des présentations lors de grands salons agricoles (SPACE, Sommet de l’Élevage).

[1] Picault S, Niang G, Sicard V, Sorin-Dupont B, Assié S, Ezanno P (2024) Leveraging artificial intelligence and software engineering methods in epidemiology for the co-creation of decision-support tools based on mechanistic models. Preventive Veterinary Medicine 228:106233.
https://doi.org/10.1016/j.prevetmed.2024.106233

Collaborations internationales ou partenariales associées (si pertinent) 

Collaborations internationales : projet européen DECIDE (H2020, Grant 101000494) ; European Partnership Animal Health & Welfare (EUPAHW)
Partenariats : MSD, Idele, Institut Agro Rennes-Angers, IMT Atlantique (projet SEPTIME, Carnot F2E) et collaboration avec les coopératives Terrena et Bovineo.