Toutes les actualités

Une nouvelle étude multicentrique publiée dans la revue Lab Animal démontre comment l'intelligence artificielle peut améliorer le bien-être des animaux de laboratoire en permettant une détection plus précoce des problèmes de santé et de bien-être grâce à une surveillance continue au sein même de la cage.

Menée en collaboration avec l'Université Rutgers, Sanofi, l'EPFL et Tecniplast, cette étude a analysé plus de 156 000 évaluations de cages recueillies dans trois établissements appliquant des modèles d'élevage différents. Les travaux se sont appuyés sur les données générées par la plateforme Digital Ventilated Cage (DVC®), qui enregistre en continu l'activité locomotrice au niveau de la cage à l'aide de capteurs capacitifs non invasifs installés sous chaque cage.

Traditionnellement, l'évaluation du bien-être animal repose sur des inspections visuelles régulières effectuées par du personnel formé. Bien qu'essentiels, ces contrôles ne durent généralement que quelques secondes par cage et ont souvent lieu durant la phase d'inactivité des animaux, ce qui rend difficile la détection précoce de changements comportementaux subtils.

L'étude a évalué un algorithme d'apprentissage automatique capable de comparer les profils d'activité de chaque cage à sa propre référence établie sur sept jours. En analysant en continu les données comportementales, le système identifie des anomalies telles que l'hypoactivité, l'hyperactivité, des schémas de répartition spatiale inhabituels ou une inactivité totale, générant ainsi des alertes susceptibles d'aider le personnel vétérinaire et animalier dans sa prise de décision.

Les résultats soulignent le potentiel de la surveillance assistée par IA pour renforcer le suivi du bien-être :

• L'algorithme a identifié des animaux présentant des problèmes de bien-être entre trois et six jours avant que des signes cliniques ne soient constatés par le personnel vétérinaire, atteignant une précision de prédiction comprise entre 80 % et 91 % six jours avant l'observation clinique.
• Le taux de détection des cas d'animaux retrouvés morts a atteint 93 % à l'EPFL, 85 % à l'Université Rutgers et 100 % chez Sanofi.
• Dans l'ensemble des établissements participants, les pics de cas cliniques signalés par le personnel coïncidaient avec les jours de changement de cage, tandis que le signalement des cas diminuait durant les week-ends ; cela suggère qu'une surveillance automatisée en continu pourrait contribuer à réduire les lacunes d'observation.

Loin de remplacer l'expertise humaine, l'IA agit comme un niveau supplémentaire d'observation continue, surveillant chaque cage 24 heures sur 24 sans perturber les animaux. Cette combinaison de soins humains et d'analyse automatisée des données ouvre de nouvelles perspectives pour améliorer l'évaluation du bien-être et favoriser des interventions rapides.

Les implications vont au-delà des soins aux animaux. Une détection plus précoce des changements comportementaux peut aider les chercheurs à identifier des variables de confusion potentielles, telles que les perturbations du rythme circadien ou la réduction du niveau d'activité, améliorant ainsi la qualité des données et la reproductibilité des expériences. Parallèlement, la surveillance continue soutient les principes de raffinement promus par la directive 2010/63/UE et s'inscrit dans le fil des recommandations énoncées dans les directives ARRIVE 2.0.

Ces résultats marquent une nouvelle étape vers un avenir où les technologies numériques et l'intelligence artificielle contribueront à améliorer le bien-être animal, à renforcer la robustesse des données scientifiques et à éclairer davantage la prise de décision dans le domaine de la recherche sur les animaux de laboratoire.

Consultez ICI la publication en libre accès.