De nombreuses tâches médicales, telles que l’auto-diagnostic et le recrutement de patients pour des essais cliniques, impliquent l’utilisation d’outils d’accès à l’information. Une étape clé de ces tâches repose sur l’appariement entre documents dont l’enjeu majeur est de réduire le fossé sémantique entre les représentations de l’information brute des documents et l’interprétation issue d’experts médicaux. Guidés par les avancées récentes sur les approches neuronales, nous proposons un modèle d’apprentissage de représentation des documents permettant de capturer à la fois la sémantique des concepts médicaux validés dans une ressource externe et la sémantique issue des mots des documents. Notre modèle est évalué expérimentalement au travers de deux tâches de recherche d’information (RI) médicale différentes qui sont en l’occurrence la"RI liée à aide au diagnostic" et la "recherche clinique de cohortes"