En prenant la surveillance des polychlorobiphényles (PCBs) dans les viandes comme modèle, le premier objectif de l'ANR SENTINEL est de développer un panel de 3 outils complémentaires haut-débits, sensibles et à faible coût pour renforcer la détection de non-conformités de ces dangers chimiques avec pour finalité de mieux maitriser l’exposition des consommateurs. Le second objectif est de définir des conditions plausibles de mise en œuvre de ces nouveaux outils et d’en anticiper les principaux coûts et bénéfices. Une première phase du projet a été réalisée notamment en montrant combien une stratégie de couplage de spectromètres de masse haute sensibilité avec des stratégies multi-échantillonnages de type « sample pooling » est prometteuse. Des conditions de mise en œuvre de l’outil sur la base de deux évolutions probables de la filière viande ont été établies et une analyse coût-bénéfice de ces 2 scénarios doit maintenant être menée en prenant notamment en compte l’aspect sanitaire, élément essentiel du bénéfice attendu de la mise en œuvre du nouvel outil.
L’objectif de ce projet postdoctoral est donc d’évaluer l’exposition des populations concernées une fois l’outil déployé et de tenter de répondre à une série de questions qui pourront aider les futures décisions de renforcement de la surveillance sanitaire des viandes : une diminution de l'exposition significative peut-elle être établie après le déploiement de l'outil ? À quelles échelles territoriales ce déploiement doit-il être mené pour qu’un gain sanitaire soit observé ? Quels renforcements de la surveillance sanitaire des viandes sont envisageables pour réduire l’exposition des populations consommatrices de certaines viandes (biologiques, conventionnelles, etc.) ? Pour répondre à l'objectif, le travail pourra s’appuyer sur une approche bayésienne déjà mise en œuvre par l’équipe prenant en compte la consommation de la population française et la prévalence de la contamination aux PCBs à partir de données collectées et de données historiques, et des analyses déjà effectuées dans l’ANR, notamment sur les stratégies multi-échantillonnage et les scénarios établis. Un modèle graphique d’indépendances conditionnelles sera établi sur les données historiques et des dires d’experts, puis inféré sur les données récoltées dans le projet. L’inférence sera obtenue par algorithmes de Monte-Carlo par Chaînes de Markov. L’approche statistique proposée pourra être améliorée en fonction du contexte applicatif : nouveaux algorithmes d’inférence, élicitation de dires d’experts, etc.