Ce mémoire aborde la problématique de l'apprentissage de représentations des patients à partir des dossiers de santé électroniques, en mettant l'accent sur les données pharmaceutiques. L'objectif de cette recherche est de développer un modèle robuste basé sur les réseaux de neurones récurrents à mémoire *Long Short-Term Memory* (LSTM), afin d'exploiter les historiques pharmaceutiques et les attributs sociodémographiques pour apprendre des représentations des patients. Cette étude s'appuie sur les données de l'Institut National de Santé Publique du Québec (INSPQ). Nous avons élaboré une méthodologie de prétraitement rigoureuse pour structurer chronologiquement les services pharmaceutiques, les attributs sociodémographiques et les résultats médicaux, ce qui s'avérait essentiel vu la nature extrêmement multidimensionnelle et éparse de notre jeu de données. Notre modèle LSTM modifié, inspiré du modèle de « Représentations Basées sur les Modèles de Langage Clinique » (CLMBR) (Steinberg et al. [2021]), est conçu pour capturer les schémas temporels et intégrer les facteurs sociodémographiques, afin d'améliorer la compréhension des trajectoires de santé des patients. Les résultats expérimentaux que nous obtenons indiquent que nos modifications apportées au modèle CLMBR et l'inclusion des attributs sociodémographiques ont le potentiel d'améliorer l'apprentissage de représentations utiles et significatives de dossiers de patients. Ceci confirme l'importance des facteurs sociaux dans les prédictions de santé. Nous abordons également les considérations éthiques telles que la confidentialité des données des patients, les biais potentiels du modèle et la nécessité de systèmes d'IA transparents. Ce mémoire démontre le potentiel des modèles basés sur les LSTM pour l'apprentissage des représentations des patients et la modélisation prédictive. Nos conclusions ont des implications cliniques significatives. Elles pourraient permettre une meilleure allocation des ressources médicales, favoriser l'élaboration de plans de traitement personnalisés, et améliorer globalement la prise en charge des patients. / This thesis tackles the challenge of patient representation learning using electronic health records (EHRs), with a particular focus on pharmaceutical data. The research aims to develop a robust Long Short-Term Memory (LSTM) model that leverages pharmaceutical histories and socio-demographic attributes to learn deep patient representations using the extensive dataset from the *Institut National de Santé Publique du Québec* (INSPQ). We create a meticulous preprocessing methodology to structure pharmaceutical services, sociodemographic attributes, and medical outcomes chronologically, addressing the high-dimensional and sparse nature of EHR data. Our modified LSTM model, inspired by the Clinical Language Model-Based Representations (CLMBR) (Steinberg et al. [2021]), is tailored to capture temporal patterns and incorporate socio-demographic factors, enhancing the understanding of patient health trajectories. The experimental results we obtain indicate that the modifications to the LSTM model and the inclusion of socio-demographic attributes have significant potential in improving meaningful patient representation learning, highlighting the importance of social determinants in health predictions. We also address ethical considerations such as patient data privacy, model biases, and the need for transparent AI systems. This thesis demonstrates the potential of LSTM-based models in transforming patient representation learning and predictive modelling. Our findings have significant clinical implications. They could enable better medical resource allocation, allow for personalized treatment plans, and improve patient care overall.