RobustInfer

La lutte contre les maladies animales infectieuses est un enjeu majeur pour un élevage durable, pour limiter les risques de santé publique (zoonoses) et pour améliorer la santé et le bien-être des animaux. Une meilleure compréhension et anticipation de la propagation des maladies au niveau territorial renforce les capacités de décision face aux menaces actuelles et futures.

Comme observé lors des récentes crises sanitaires (PPA, covid-19), les modèles mécanistes sont des outils puissants pour décrire la dynamique spatio-temporelle des infections. Ils permettent de prendre en compte les grandes échelles, ce qui est essentiel dans un contexte d'intensification et de mondialisation des échanges d'animaux. Ils permettent d'appuyer les décisions des gestionnaires de la santé et des décideurs publics, notamment en orientant les efforts de surveillance et le déploiement des interventions de contrôle. Cependant, si ces modèles ne sont pas correctement calibrés, la qualité des prédictions, et donc leur pertinence, peuvent être considérablement réduites. Ils ont donc besoin d'être alimentés par des données d'observation, dont la collecte devient plus facile et plus étendue. Cependant, il manque des procédures pertinentes pour connecter ces modèles aux données, en particulier pour les systèmes de grande taille et partiellement observés.

Ce projet vise à mieux comprendre comment utiliser les données disponibles pour des systèmes épidémiologiques complexes à grande échelle (région, territoire) afin de paramétrer les modèles mécanistes qui les représentent. Un des objectifs est d'apporter des éléments de compréhension sur la manière de construire des critères (statistiques de synthèse) pour résumer les données d'observation, et de les mobiliser dans des approches d'inférence adaptées aux spécificités de ces systèmes (grande échelle, variabilité de la dynamique, observation partielle, ...). Ceci permettra d'améliorer l'intégration des informations empiriques dans les modèles mécanistes et de garantir des modèles plus fiables et réalistes, donc plus utiles pour la priorisation des stratégies de lutte.