EN FR

ACCUEIL ›BLOGS

Création d'une base de données sur les plantes médicinales pour faciliter l'exploitation des connaissances ethnopharmacologiques locales
-

April 20, 2020

Contexte

Dans de nombreux pays africains comme le Burkina Faso, les gens dépendent encore assez souvent de la médecine traditionnelle pour les maladies courantes et rares. Cela est particulièrement vrai dans les zones rurales où vivent 71% de la population burkinabè. Si la littérature scientifique reconnaît les vertus pharmacologiques de certaines plantes, les connaissances pertinentes ne sont ni suffisamment organisées ni largement partagées.

Objectifs

Le but ultime de ce projet est de construire un ouvert et interrogeable base de données sur les plantes médicinales. À cette fin, le projet se concentre sur (1) la collecte d'une variété d'informations sur ces plantes à partir de sources diverses, (2) la mise en œuvre d'une plate-forme pour exposer les connaissances construites, (3) le développement d'outils spécifiques au contexte pour accélérer l'identification précise des plantes. dans la nature.

Travail et optimisation

Pour mener à bien le projet, nous avons mis en place une équipe dédiée de 10 personnes:

  • Un mentor de recherche avec une formation en IA,
  • Un mentor de pratique avec une formation en médecine traditionnelle. Dans ce cas, le mentor était le directeur de la promotion de la médecine traditionnelle au ministère de la Santé,
  • Un assistant de recherche avec une formation en sociologie. Dans ce cas, l'assistant était un étudiant dont la responsabilité était d'aider à la collecte de données ethnobotaniques,
  • Trois programmeurs informatiques. Dans ce cas, les programmeurs étaient des étudiants en informatique chargés de concevoir et de mettre en œuvre la base de données, le moteur de recherche ainsi que l'outil d'identification des plantes.

Et quatre enquêteurs pour collecter des données sur les vertus des plantes

Exécution

(1) Collecte de données: Des séances de travail avec le mentor de la pratique nous ont permis de concevoir une méthodologie adaptée et d'identifier les sources de données.

La méthodologie adoptée consiste à dresser une liste de plantes basée sur la littérature de recherche pertinente et à exploiter des bases de données en ligne. Ensuite, l'équipe peut mener une étude ethnobotanique avec des praticiens de la médecine traditionnelle pour recueillir des informations sur les utilisations des plantes à des fins thérapeutiques. Pour chaque plante, nous avons convenu de nous concentrer sur les informations suivantes: Nom scientifique, Espèce, Famille, Nom en trois langues locales (Moore, Dioula, Fulfulde), Localisation spatiale, Statut (en danger ou non), usage médical (vertus).

La collecte des données est principalement réalisée dans les deux plus grandes villes du pays, à savoir Ouagadougou et Bobo-Bobo-Dioulasso. Lors de la mise en œuvre des activités, nous avons été surpris par la quantité de recherches déjà effectuées sur les plantes médicinales, bien que les données ne soient pas suffisamment structurées et partagées. De plus, nous avons découvert que tant au niveau des tradipraticiens qu'au niveau de l'Etat, il y a des actions en cours de structuration pour la valorisation de la médecine traditionnelle. Notre projet renforce donc le mécanisme existant. Dans la poursuite des activités, en plus des plantes, nous prévoyons de créer une base de données des tradipraticiens. Afin de pouvoir les référencer plus facilement dans les travaux de recherche qui sont menés.

(2) Développement de plateforme: En ce qui concerne la plate-forme, nous exploitons le moteur ElasticSearch pour créer la base de données backend et le moteur de recherche.

(3) Implémentation du détecteur d'usine: Nous avons également conçu un système d'apprentissage en profondeur pour classer les images de feuilles de plantes pour une identification rapide dans la nature. Ce travail a nécessité une contextualisation car nous avons supposé que les utilisateurs porteraient des téléphones portables avec peu de puissance de calcul et potentiellement pas de connectivité au réseau de données. Ainsi, nous avons implémenté un algorithme de compression de modèle de réseau neuronal qui a donné un classificateur avec une précision de prédiction raisonnable et qui était pourtant exécutable sur des appareils à faibles ressources.

Resultats

À ce stade, alors que nous venons de franchir la mi-parcours de l'exécution du projet, nous pouvons signaler qu'un certain nombre de jalons ont été franchis:

  • le détecteur d'installation a été implémenté
  • le premier lot de données sur les plantes médicinales a été collecté
  • l'architecture backend de la plateforme a été finalisée