Nous nous intéressons au problème de l'apprentissage par programmation logique inductive de règles symboliques caractérisant des arythmies cardiaques à partir de données multisources hétérogènes telles que les différentes voies d~un électrocardiogramme ou la mesure de la pression artérielle. Une première approche consiste à agréger les données dans la base d~apprentissage puis à effectuer un apprentissage directement à partir de ces données transformées. Cette méthode d~apprentissage global est peu performante et difficile à mettre en ~uvre quand le volume des données est important. Nous proposons une alternative plus efficace permettant de tirer profit d'apprentissages effectués préalablement sur chacune des sources indépendamment, pour construire automatiquement un biais permettant de restreindre l~espace de recherche lors d~un apprentissage multisource et ainsi traiter ces données complexes. Les résultats obtenus par les deux méthodes sont analysés et comparés. Ils montrent que la méthode proposée permet de gagner un ordre de grandeur sur les temps d~apprentissage.