En el área de búsqueda de salud del consumidor (CHS), hay una creciente preocupación por devolver información de salud relevante y comprensible al usuario. Además de ser utilizado para clasificar documentos temáticamente relevantes, el Aprendizaje para Clasificar (LTR) también se ha utilizado para promover la clasificación de comprensibilidad. Tradicionalmente, las características provenientes de diferentes campos de documentos se combinan, limitando el rendimiento del LTR estándar, ya que la información del campo juega un papel importante en la promoción de la clasificación de comprensibilidad. En este artículo, se propone un nuevo enfoque de Aprendizaje para Clasificar a nivel de campo (f-LTR), y se investiga su aplicación en CHS mediante el desarrollo de experimentos exhaustivos en las colecciones de datos de IR eHealth de CLEF 2016-2018. Se proporciona un análisis en profundidad de los efectos de utilizar f-LTR, con resultados experimentales que sugieren que en LTR, las características del título son más efectivas que otras características de campo para promover la clasificación de comprensibilidad. Además, se compara el modelo f-LTR fusionado con trabajos existentes, confirmando la efectividad de la metodología.