En savoir plus

Notre utilisation de cookies

« Cookies » désigne un ensemble d’informations déposées dans le terminal de l’utilisateur lorsque celui-ci navigue sur un site web. Il s’agit d’un fichier contenant notamment un identifiant sous forme de numéro, le nom du serveur qui l’a déposé et éventuellement une date d’expiration. Grâce aux cookies, des informations sur votre visite, notamment votre langue de prédilection et d'autres paramètres, sont enregistrées sur le site web. Cela peut faciliter votre visite suivante sur ce site et renforcer l'utilité de ce dernier pour vous.

Afin d’améliorer votre expérience, nous utilisons des cookies pour conserver certaines informations de connexion et fournir une navigation sûre, collecter des statistiques en vue d’optimiser les fonctionnalités du site. Afin de voir précisément tous les cookies que nous utilisons, nous vous invitons à télécharger « Ghostery », une extension gratuite pour navigateurs permettant de les détecter et, dans certains cas, de les bloquer.

Ghostery est disponible gratuitement à cette adresse : https://www.ghostery.com/fr/products/

Vous pouvez également consulter le site de la CNIL afin d’apprendre à paramétrer votre navigateur pour contrôler les dépôts de cookies sur votre terminal.

S’agissant des cookies publicitaires déposés par des tiers, vous pouvez également vous connecter au site http://www.youronlinechoices.com/fr/controler-ses-cookies/, proposé par les professionnels de la publicité digitale regroupés au sein de l’association européenne EDAA (European Digital Advertising Alliance). Vous pourrez ainsi refuser ou accepter les cookies utilisés par les adhérents de l'EDAA.

Il est par ailleurs possible de s’opposer à certains cookies tiers directement auprès des éditeurs :

Catégorie de cookie

Moyens de désactivation

Cookies analytiques et de performance

Realytics
Google Analytics
Spoteffects
Optimizely

Cookies de ciblage ou publicitaires

DoubleClick
Mediarithmics

Les différents types de cookies pouvant être utilisés sur nos sites internet sont les suivants :

Cookies obligatoires

Cookies fonctionnels

Cookies sociaux et publicitaires

Ces cookies sont nécessaires au bon fonctionnement du site, ils ne peuvent pas être désactivés. Ils nous sont utiles pour vous fournir une connexion sécuritaire et assurer la disponibilité a minima de notre site internet.

Ces cookies nous permettent d’analyser l’utilisation du site afin de pouvoir en mesurer et en améliorer la performance. Ils nous permettent par exemple de conserver vos informations de connexion et d’afficher de façon plus cohérente les différents modules de notre site.

Ces cookies sont utilisés par des agences de publicité (par exemple Google) et par des réseaux sociaux (par exemple LinkedIn et Facebook) et autorisent notamment le partage des pages sur les réseaux sociaux, la publication de commentaires, la diffusion (sur notre site ou non) de publicités adaptées à vos centres d’intérêt.

Sur nos CMS EZPublish, il s’agit des cookies sessions CAS et PHP et du cookie New Relic pour le monitoring (IP, délais de réponse).

Ces cookies sont supprimés à la fin de la session (déconnexion ou fermeture du navigateur)

Sur nos CMS EZPublish, il s’agit du cookie XiTi pour la mesure d’audience. La société AT Internet est notre sous-traitant et conserve les informations (IP, date et heure de connexion, durée de connexion, pages consultées) 6 mois.

Sur nos CMS EZPublish, il n’y a pas de cookie de ce type.

Pour obtenir plus d’informations concernant les cookies que nous utilisons, vous pouvez vous adresser au Déléguée Informatique et Libertés de l’INRA par email à cil-dpo@inra.fr ou par courrier à :

INRA
24, chemin de Borde Rouge –Auzeville – CS52627
31326 Castanet Tolosan cedex - France

Dernière mise à jour : Mai 2018

Menu Logo Principal Oniris

Biologie Epidémiologie et Analyse de Risque en santé animale

BIOEPAR - http://www6.angers-nantes.inra.fr/bioepar

RobustInfer

Combiner et estimer : vers une réduction de la complexité des données pour une meilleure calibration des modèles épidémiologiques dynamiques à grande échelle (2021-2023)

RobustInfer
Ce projet vise à mieux comprendre comment utiliser les données disponibles pour des systèmes épidémiologiques complexes à grande échelle (région, territoire) afin de paramétrer les modèles mécanistes qui les représentent. L'un des objectifs est de fournir des éléments de compréhension sur la manière de construire des critères (statistiques de synthèse) pour résumer les données d'observation, et de les mobiliser dans des approches d'inférence adaptées aux spécificités de ces systèmes (grande échelle, variabilité de la dynamique, observation partielle, etc.). Ceci permettra d'améliorer l'intégration des informations empiriques dans les modèles mécanistes et de garantir des modèles plus fiables et réalistes, donc plus utiles pour la priorisation des stratégies de lutte.

La lutte contre les maladies animales infectieuses est un enjeu majeur pour un élevage durable, pour limiter les risques de santé publique (zoonoses) et pour améliorer la santé et le bien-être des animaux. Une meilleure compréhension et anticipation de la propagation des maladies au niveau territorial renforce les capacités de décision face aux menaces actuelles et futures.

Comme observé lors des récentes crises sanitaires (PPA, covid-19), les modèles mécanistes sont des outils puissants pour décrire la dynamique spatio-temporelle des infections. Ils permettent de prendre en compte les grandes échelles, ce qui est essentiel dans un contexte d'intensification et de mondialisation des échanges d'animaux. Ils permettent d'appuyer les décisions des gestionnaires de la santé et des décideurs publics, notamment en orientant les efforts de surveillance et le déploiement des interventions de contrôle. Cependant, si ces modèles ne sont pas correctement calibrés, la qualité des prédictions, et donc leur pertinence, peuvent être considérablement réduites. Ils ont donc besoin d'être alimentés par des données d'observation, dont la collecte devient plus facile et plus étendue. Cependant, il manque des procédures pertinentes pour connecter ces modèles aux données, en particulier pour les systèmes de grande taille et partiellement observés.

Ce projet vise à mieux comprendre comment utiliser les données disponibles pour des systèmes épidémiologiques complexes à grande échelle (région, territoire) afin de paramétrer les modèles mécanistes qui les représentent. Un des objectifs est d'apporter des éléments de compréhension sur la manière de construire des critères (statistiques de synthèse) pour résumer les données d'observation, et de les mobiliser dans des approches d'inférence adaptées aux spécificités de ces systèmes (grande échelle, variabilité de la dynamique, observation partielle, ...). Ceci permettra d'améliorer l'intégration des informations empiriques dans les modèles mécanistes et de garantir des modèles plus fiables et réalistes, donc plus utiles pour la priorisation des stratégies de lutte.