La modélisation mécaniste permet de mieux comprendre la propagation de pathogènes dans et entre populations animales, d’en prédire la dynamique dans des situations contrastées, et d'identifier les mesures de gestion les plus pertinentes. Toutefois, les enjeux sanitaires actuels demandent une vision intégrée "One Health" qui accroît la complexité des modèles et la diversité des expertises requises (interactions entre processus biologiques, biophysiques, économiques, et de gestion). Répondre à cet enjeu rend très coûteuses la conception de modèles, l'exploration d'hypothèses et la comparaison de scénarios, et peut conduire à une faible réutilisabilité des programmes de simulation. De bonnes pratiques logicielles améliorent fiabilité et maintenabilité des codes, sans toutefois faciliter l'intégration d’expertises multiples. Notre objectif est d’élaborer un nouveau cadre de conception de modèles mécanistes en épidémiologie via des recherches en Intelligence Artificielle. L'utilisation de systèmes multi-agents multi-niveaux permet d'encapsuler les paradigmes classiques de modélisation (modèles à compartiments vs. centrés individus) à différentes échelles (individu, population, métapopulation) dans un formalisme homogène et modulaire, facilitant le changement de représentation pour un même système. Simultanément, l'élaboration d'un langage domaine-spécifique (DSL) pour l’épidémiologie permet d’expliciter les hypothèses, paramètres, processus mobilisés, et donc de renforcer l'implication des experts non modélisateurs dès la conception des modèles et tout au long du processus de développement. La combinaison d’une approche multi-agents et d'un DSL nous a permis de construire un moteur de simulation générique et extensible, Emulsion, qui fiabilise les calculs effectués et réduit notablement le temps de développement logiciel. Emulsion a été mobilisé pour étudier une zoonose endémique du bétail (la fièvre Q). Cela nous a permis de comparer facilement un large panel d’hypothèses (ex : états de santé à retenir, forme de la fonction de dispersion par le vent, etc.), eu égard aux données sérologiques, commerciales et météorologiques disponibles. Cela nous a conduit à mieux comprendre la contribution des mouvements commerciaux vs. des conditions environnementales dans la propagation du pathogène à l'échelle d’un territoire. La perspective est d’étendre Emulsion en intégrant toutes les caractéristiques récurrentes des maladies du bétail (autres routes de transmission, détection, traitement), ainsi que les processus de décision des éleveurs en matière de gestion de la santé. En renforçant par ailleurs le lien aux données d’observation, des modèles prédictifs fiables pourront être développés, testés et révisés en temps réduit, ouvrant la voie à une production automatisée d’outils d'aide à la décision dédiés aux gestionnaires de la santé (techniciens conseils, vétérinaires, décideurs publics).