GeoAI4EI

Dans un contexte de multiplication des risques zoonotiques et d’accélération des dynamiques de diffusion des agents pathogènes, le projet combine gestion des données géospatiales, modélisation épidémiologique, intelligence artificielle pour transformer un panel de données pertinentes en santé publique et santé publique vétérinaire, mais hétérogènes, en informations et résultats d'analyses interrogeables et exploitables, notamment par les acteurs de la surveillance et de la gestion sanitaire. Cet environnement sera implémenté pour répondre à différents scénarios épidémiologiques critiques dont :

• L'émergence de risques zoonotiques à l’interface faune sauvage – homme, notamment dans le cadre de maladies vectorielles.
• Le franchissement de la barrière d’espèce entre animaux d’élevage et l’homme, notamment pour les virus influenza.
• La transmission directe entre humains de virus respiratoires émergents tels que les virus influenza.
• La transmission entre humains par contacts rapprochés de virus responsables de syndromes hémorragiques.
• L’émergence d’un pathogène X.

GeoAI4EI participe ainsi à la construction d’une capacité européenne collective stratégique pour optimiser la préparation et la réactivité face aux crises sanitaires futures.

Le consortium GeoAI4EI réunit des partenaires européens académiques et privés combinant notamment des compétences en sciences des données géospatiales, modélisation épidémiologique, et informatique et intelligence artificielle. Au sein de ce consortium, INRAE est représenté par une collaboration entre les unités EPIA, ASTRE et TETIS, associant les départements Santé Animale (INRAE Département SA) et MathNum (MathNum - INRAE Research Division) afin d’articuler analyses épidémiologiques et sciences des données spatialisées.

L’UMR EPIA contribue plus spécifiquement par ses compétences en modélisation épidémiologique, phylodynamique, surveillance spatialisée des maladies et intelligence artificielle appliquée à la santé animale, en lien avec son projet scientifique visant à intégrer approches quantitatives et sciences des données pour mieux anticiper, comprendre et gérer les maladies infectieuses dans une perspective One-Health.