En savoir plus

Résumé de la thèse :

La modélisation épidémiologique s’est révélée être un outil essentiel dans la gestion de crises sanitaires. La compréhension, l’anticipation et la maîtrise des maladies sont des enjeux majeurs de santé publique et vétérinaire, et nécessite une représentation détaillée des processus impliqués. L’organisation spatio-temporelle de la population hôte est l’un des facteurs impactant la dynamique d’infection et les mesures de gestion, mais reste néanmoins difficile à représenter de manière explicite dans les modèles épidémiologiques. Les méthodologies informatiques d’intelligence artificielle (systèmes multi-agents) permettent de développer des solutions pour représenter explicitement les systèmes complexes fortement structurés dans les modèles épidémiologiques mécanistes.
L’objectif de cette thèse est de proposer une solution générique, flexible et modulaire, basée sur des méthodologies d’intelligence artificielle, pour répondre à ces besoins. Nous avons développé un design pattern organisationnel multiagent
multi-niveau pour représenter le couplage entre les agents, les environnements et les niveaux d’organisation. Le pattern a été implémenté dans le framework EMULSION et appliqué pour modéliser, de façon explicite et à une granularité fine, la propagation d’un virus influenza porcin et du virus du syndrome dysgénésique et respiratoire du porc dans des élevages pratiquant une conduite en bande.
Ces modèles ont permis de confirmer le rôle déterminant joué par la structure d’élevage et la conduite mise en place, et d’identifier des mécanismes clefs de transmission. Le design pattern et ses applications ouvrent de nouvelles perspectives dans les SMA et en modélisation.

Mots-clefs :

Systèmes multi-agents multi-niveaux, Intelligence artificielle, Design pattern, Modélisation épidémiologique, Syndrome dysgénésique et respiratoire du porc, Influenza A