围绕利用一般生物医学文本数据和特别是临床笔记进行了大量研究。我不了解整个领域（这是一个很大的领域），但让我勾勒出一些可能的方向。

• 标准文本分类方法：将每种可能的处理视为一个类别，目标是为主观+客观的每个实例预测正确的类别。请注意，设计可以是标准的多类分类或多标签分类。可以使用所有常规文本分类技术，从决策树等传统方法到使用带有词/文本嵌入的 DL。
• 序列到序列方法：这里的原理是模型表示输入序列（这里是主观+客观注释）如何转换为输出序列（处理）。此类任务的标准示例是机器翻译，但这种设计用于许多其他问题。
• 具有第三方本体的语义表示。这种方法依赖于现有的生物医学资源，尤其是像Mesh和/或UMLS这样的标准化词汇表。可以使用自动注释工具（例如cTakes）从主观+客观注释中提取医学术语，并且治疗也可以使用受控词汇进行编码。通过为模型提供规范化的特征和类，这可以极大地促进模型的工作。编码后，数据可用于类似于第一种方法的分类设置。

关于软件/数据资源：有很多，但据我所知，没有什么能完全满足您开箱即用的需求。SciSpacy是一个用于处理生物医学数据的 Python 模块。有可用的数据集（例如共享任务数据），以及各种研究原型和资源。另请参阅此答案以获取指向各种生物医学资源的指针。