AIRFARE-EWS
Système d’alerte précoce basé sur l’intelligence artificielle pour la détection de la fièvre de la vallée du Rift
Résumé du projet
La fièvre de la vallée du Rift (FVR) est une zoonose virale qui peut provoquer une maladie grave chez les petits ruminants et les humains. Elle s’étend de l’Afrique orientale à l’Afrique australe et au Moyen-Orient. Elle a provoqué des épidémies massives en Egypte, en Mauritanie (2010, 2012), au Sénégal (2012, 2020) et à Madagascar. Elle peut se transmettre entre l’homme et l’animal et a pour principale manifestation un taux anormal d’avortements chez les animaux et peut être mortelle pour l’homme. Les systèmes d’alerte aux épidémies dans les pays africains tels que le Sénégal posent le problème de la détection précoce des foyers pour être efficaces (collecte de données et prévisions). Tant les éleveurs que les techniciens de laboratoire sont exposés en raison d’une manipulation probable avant un diagnostic confirmé. Cependant, des recherches telles que les études de la NASA montrent la relation entre les épidémies de VFR et les paramètres environnementaux comme la présence de Nina pour pouvoir prédire la prochaine épidémie.
Top Swiss Rolex fake Watches UK Online Store For Women.
Buy Cheap Fake Rolex Datejust Watches For Free Shipping.
L’objectif de ce projet est de développer un système d’alerte précoce pour la fièvre de la Vallée du Rift basé sur l’IA pour la prédiction et la détection. Il se compose d’un système de collecte de données basé sur des applications IoT/mobiles et d’un service Cloud AI/machine learning (classification, reinforcement deep learning, CNN, computer vision, …). Les réalisations attendues sont la construction incrémentale de jeux de données qui peuvent être utilisés pour fournir des services Cloud AI/ML avec des corrélations spatiales et temporelles pour reconnaître rapidement le début des épidémies. Les données sont hétérogènes (images d’avortements, vecteurs/moustiques, ensembles de données officielles, …), de sources diverses (OMS, ISRA, collecte sur site, ainsi que les éleveurs), de différents niveaux de validation (déclaration de suspicion par les éleveurs, analyse confirmée par le laboratoire, …), bi-dimensionnelles (spéciales et temporelles). L’application mobile aidera à la collecte sur site. Ainsi, il est nécessaire de trouver des modèles ML qui s’adaptent bien à l’analyse des données en tenant compte de toutes ces caractéristiques et qui apprennent de manière incrémentale. Le consortium implique MITIC pour les services d’IA et d’IoT et CaPIC pour les développements de services Cloud dans FedGenHealth. Nous avons également l’ISRA (Institut Sénégalais de Recherche Agronomique) qui est un partenaire technique pour les questions médicales et liées aux vecteurs.
Projet de développement (2 ans)
● Thèmes de recherche en science du numérique : Maladies émergentes, intelligence artificielle, système d’alerte précoce, One Health, TinyML.
● Autres thèmes de recherche et domaines d’application : Fièvre de la vallée du Rift, zoonoses, système de surveillance des épidémies, apprentissage machine profond, services cloud, IoT, plateforme FEDGEN.
● ACE MITIC, Sénégal
○ Dr Dame Diongue, Université Gaston Berger, Sénégal.
○ Prof. Maissa Mbaye, Université Gaston Berger, Sénégal
○ Dr. Nicolas Djighnoum Diouf, Université Gaston Berger, Sénégal.
● ACE CApIC, Nigeria
○ Prof. E. F. Adebiyi, Université Covenant, Ota, Nigeria
○ Prof. E. Adetiba, CApIC-ACE, Université Covenant, Ota, Nigeria
○ Dr. Joke A. Badejo, Université Covenant, Ota, Nigeria
● Dr Assane G. Fall, Institut sénégalais de recherches agricoles, Sénégal.
● Dr Mamadou Ciss, Institut sénégalais de recherches agricoles, Sénégal.
● Dr Modou Moustapha Lo, Institut Sénégalais de Recherches Agricoles, Sénégal.
● Dr Ibrahima Ndao, Direction des parcs et réserves, Saint-Louis, Sénégal.
● Dr. Seynabou Diack Sy, Services vétérinaires, Saint-Louis, Sénégal.
