La modélisation mécaniste permet de mieux comprendre la propagation de pathogènes dans et entre populations, d’en prédire la dynamique dans des situations contrastées, et d'identifier les mesures de gestion les plus pertinentes. Les enjeux sanitaires actuels demandent toutefois une diversité d'expertises qui accroît la complexité des modèles et rend coûteuse leur conception, au risque de réduire leur fiabilité, maintenabilité et réutilisabilité.

Mes travaux à BIOEPAR (Nantes) visent à élaborer un nouveau cadre de conception de modèles mécanistes en épidémiologie via des recherches en Intelligence Artificielle. L'utilisation de systèmes multi-agents multi-niveaux permet d'encapsuler les paradigmes classiques de modélisation (modèles à compartiments vs. centrés individus) à différentes échelles (individu, population, métapopulation) dans un formalisme homogène et modulaire, facilitant le changement de
représentation pour un même système. Simultanément, l'élaboration d'un langage domaine-spécifique (DSL) pour l’épidémiologie permet d’expliciter les hypothèses, paramètres, processus mobilisés, et donc de renforcer l'implication des experts non modélisateurs dès la conception des modèles et tout au long du processus de développement.

La combinaison d’une approche multi-agents et d'un DSL a ainsi conduit au framework EMULSION, développé depuis fin 2016 à BIOEPAR. Je montrerai
une application d'EMULSION à l'étude d'une zoonose endémique du bétail (la fièvre Q), pour comparer diverses hypothèses (états de santé pertinents, forme de la fonction de dispersion par le vent, etc.), eu égard aux données disponibles, et ainsi mieux comprendre la contribution des mouvements commerciaux vs. des conditions environnementales dans la propagation du pathogène à l'échelle d’un territoire.

Enfin, je présenterai comment ces travaux ouvrent la voie à une production automatisée d’outils d'aide à la décision dédiés aux gestionnaires de la santé (techniciens conseils, vétérinaires, décideurs publics).