Les dossiers de santé électroniques sont essentiels pour la sécurité des patients car ils documentent les conditions, les plans et les procédures à la fois en texte libre et en codes médicaux. Les modèles de langage ont considérablement amélioré le traitement de ces dossiers, rationalisant les flux de travail et réduisant l'entrée manuelle des données, ce qui permet aux prestataires de soins de santé d'économiser des ressources importantes. Cependant, la nature opaque de ces modèles laisse souvent les professionnels de la santé réticents à leur faire confiance. Les méthodes d'explicabilité les plus avancées augmentent la transparence du modèle mais dépendent des étendues d'évidence annotées par des humains, ce qui est coûteux. Dans cette étude, nous proposons une approche permettant de produire des explications plausibles et fidèles sans nécessiter ces annotations. Nous montrons sur la tâche de codification médicale automatisée que l'entraînement à la robustesse adversaire améliore la plausibilité des explications et introduisons AttInGrad, une nouvelle méthode d'explication supérieure aux précédentes. En combinant ces deux contributions dans un cadre entièrement non supervisé, nous produisons des explications d'une qualité comparable, voire supérieure, à celle d'une approche supervisée. Nous mettons notre code et nos poids de modèle à disposition.Note : - "Adversarial robustness training" a été traduit par "entraînement à la robustesse adversaire".- "AttInGrad" est un terme technique spécifique qui a été conservé tel quel.- "Automated medical coding task" a été traduit par "tâche de codification médicale automatisée".