Eyango Tabi T. G. Loïc

Résumé de la thèse :

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-clefs :

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