Los métodos convencionales de recuperación de imágenes médicas tratan las imágenes y el texto como incrustaciones independientes, lo que limita su capacidad para utilizar completamente la información complementaria de ambas modalidades. Esta separación a menudo resulta en un rendimiento de recuperación subóptimo, ya que las relaciones intrincadas entre las imágenes y el texto permanecen poco exploradas. Para abordar esta limitación, proponemos un método de recuperación novedoso que integra incrustaciones de imágenes médicas y texto utilizando un mecanismo de atención cruzada. Nuestro enfoque crea una representación unificada al modelar directamente las interacciones entre las dos modalidades, mejorando significativamente la precisión de la recuperación. Basado en el modelo pre-entrenado BioMedCLIP, nuestro método supera a las técnicas existentes en múltiples métricas, logrando la mayor Precisión Promedio (mAP) en el conjunto de datos MIMIC-CXR. Estos resultados destacan la efectividad de nuestro método en el avance de la recuperación de imágenes médicas multimodales y sientan las bases para una mayor innovación en el campo.