Réseaux de contact troposphérique : conception, estimation et utilisation pour la surveillance des pathogènes aéroportés

Tropospheric contact networks : design, estimation and use for surveillance of airborne pathogens

• Auteur / Autrice : Maria Choufany
• Direction : Samuel Soubeyrand, Davide Martinetti, Cindy Morris
• Type : Thèse de doctorat
• Discipline(s) : Mathématiques appliquées
• Date : Soutenance le 09/12/2020
• Etablissement(s) : Aix-Marseille
• Ecole(s) doctorale(s) : École doctorale Mathématiques et Informatique de Marseille (Marseille ; 1994-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire de biostatistique et processus spatiaux (UR 546, BioSP, Centre Avignon)
• Jury : Président / Présidente : Alain Franc
• Jury : Examinateurs / Examinatrices : Catherine Abadie-Fournier
• Jury : Rapporteur / Rapporteuse : Elisabeta Vergu, Éric Matzner-Løber

Mots clés

Mots clés contrôlés

Pollution atmosphérique

Agents pathogènes

Troposphère

Épidémiologie

Théorie des graphes

Statistique mathématique

Mots clés libres

Statistiques

Mathématiques appliqués

Théorie des graphes

Réseaux

Épidémiologie

Surveillance

Science atmosphérique.

Statistics

Applied mathematics

Graph theory

Networks

Epidemiology

Surveillance

Atmospheric science.

Résumé

Anticiper les épidémies de maladies infectieuses et atténuer leurs impacts sont des défis majeurs en pathologie humaine, vétérinaire et végétale. L'air est connu par sa capacité de déplacer les agents pathogènes des plantes sur de petites et grandes échelles spatiales. D'où la nécessité d'exploiter des stratégies de surveillance qui permettra d'améliorer la détection précoce d'émergences de nouveaux pathogènes aéroportés. Le travail de cette thèse consiste à développer des méthodes optimales permettant de mieux comprendre les réseaux de dispersion, en particulier la dispersion par les masses d'air. À cet égard, on a conçu et inféré des réseaux de contacts spatio-temporel avec des outils mathématiques et statistiques et à partir des trajectoires troposphérique en exploitant des bases de données météorologiques (''HYSPLIT''). En particulier, ''HYSPLIT'' est utilisée pour reconstituer les mouvements des masses d'air, qui sont cruciaux pour prévoir la propagation aérienne à une large échelle des agents pathogènes. À partir de ces réseaux estimés, on a modélisé la dissémination des pathogènes à travers les connections en développant un modèle dynamique de type SIRS qui modélise la dispersion des pathogènes conditionnées par le réseau estimé à partir des trajectoires de masses d'air. De plus, on a conçu des stratégies de surveillance spatio-temporel conditionné par le modèle épidémiologique proposé et par les propriétés probabilistes du réseau estimé. Une comparaison statistique entre les différentes stratégies a été faite pour évaluer d'une façon optimale où et quand la population bactérienne doit être surveillée pour permettre la détection précoce des pathogènes émergents

Anticipating infectious disease outbreaks and mitigating their impact are major challenges in human, veterinary and plant pathology. Air is known for its ability to move plant pathogens on small and large spatial scales. Hence the need to exploit surveillance strategies that will improve the early detection of new airborne pathogen emergences. The work of this thesis consists in developing optimal methods for a better understanding of dispersal networks, in particular dispersion by air masses. In this respect, spatio-temporal contact networks have been designed and inferred with mathematical and statistical tools and from tropospheric trajectories using meteorological databases (''HYSPLIT''). In particular, ''HYSPLIT'' is used to reconstruct the movements of air masses, which are crucial for predicting the large-scale aerial spread of pathogens. From these estimated networks, the dissemination of pathogens across connections has been modeled by developing a dynamic SIRS-type model that models the dispersion of pathogens conditioned by the network estimated from air mass trajectories. In addition, spatio-temporal monitoring strategies conditioned by the proposed epidemiological model and by the probabilistic properties of the estimated network were designed. A statistical comparison between the different strategies was made to evaluate in an optimal way where and when the bacterial population should be monitored to allow early detection of emerging pathogens