EPIMODIA

Unité porteuse : UMR EPIA

• Jocelyn DE GOËR  (Cf. Page personnelle)
• David ABRIAL (Cf. Page personnelle)
• Francesco PINOTTI (Cf. Page personnelle)

Objectif du projet

Le projet EPIMODIA vise à développer une nouvelle génération d'outils de surveillance et de gestion des épidémies en s’appuyant sur les dernières avancées en intelligence artificielle (IA) et en modélisation par simulation. Dans un contexte où les modèles épidémiologiques classiques peinent à intégrer la complexité des dynamiques spatio-temporelles et à traiter des données rares ou hétérogènes, EPIMODIA propose une approche innovante combinant modélisation simulée, inférence bayésienne moderne et apprentissage profond. Avec EPIMODIA, l’IA devient un levier stratégique pour anticiper, comprendre et mieux gérer les crises sanitaires de demain.

Une approche en trois volets

1. Simulation massive de scénarios épidémiques
Des millions de séries temporelles, spatiales et ou génétiques seront générées à partir de modèles variés (compartimentaux, stochastiques, réseaux, agents). Ces données synthétiques permettent de créer une base de connaissance généraliste pour entraîner des modèles de fondation qui seront par la suite spécialisés à partir de données réelles.

2. Inférence bayésienne par simulation avec Neural Posterior Estimation (NPE)
Inspiré des méthodes comme l’Approximate Bayesian Computation (ABC), mais plus efficace, le NPE permet d’estimer des paramètres complexes sans calcul explicite de la vraisemblance, en exploitant des réseaux de neurones à flux normalisant. Cette approche offre des inférences rapides, précises, et transposables : un modèle peut être réutilisé pour d'autres données similaires. En plus, l'approche NPE permet de traiter des données complexes, comme par exemple des arbres phylogénétiques,  et d'automatiser l'identification de statistiques résumées efficaces.

3. Prédiction en temps réel avec modèles génératifs
Développer des systèmes prédictifs et adaptatifs, exploitant des architectures telles que les Transformer et leurs mécanismes d'attention pour analyser les flux de données en temps quasi réel, permettant ainsi un ajustement continu des prévisions à mesure que de nouvelles informations deviennent disponibles.

4. Intégration des aspects d'inférence et de prédiction
 L’inférence rapide et efficace des paramètres clés des épidémies visera à terme à alimenter la prédiction des trajectoires épidémiques en temps réel, et à construire un système dynamique et réactif permettant d’informer la gestion des crises sanitaires.

 Ce qui rend EPIMODIA innovant :

• Analyse rapide et robuste : L'inférence NPE réduit drastiquement le besoin de simulations.
• Données hybrides : Intégration de sources variées (épidémiologiques, spatio-temporelles, épidémiologiques, génétiques, météorologiques, dépêches d’actualité...).
• Prédictions en temps réel : En fonction des nouvelles données entrantes, le système pourra ajuster ses prédictions en temps réel.
• Modèles généralisables : Approche robuste aux données manquantes.