Con el rápido avance en la atención médica, ha habido un crecimiento exponencial en los registros de atención médica almacenados en grandes bases de datos para ayudar a investigadores, clínicos y médicos en la atención óptima de los pacientes, la investigación y los ensayos. Dado que estos estudios y registros son extensos y consumen mucho tiempo para los clínicos y médicos, hay una demanda de métodos nuevos, rápidos e inteligentes de recuperación de información médica. El estudio actual es parte del proyecto que tiene como objetivo diseñar un sistema inteligente de recuperación y resumen de información médica. Todo el sistema consta de tres módulos principales, a saber, clasificación de eventos adversos de medicamentos (ADEC), reconocimiento de entidades nombradas médicas (MNER) y resumen de texto multimodal (MMTS). En el estudio actual, presentamos el diseño del módulo ADEC para tareas de clasificación, donde se emplean técnicas básicas de aprendizaje automático (ML) y aprendizaje profundo (DL), como regresión logística (LR), árbol de decisión (DT) y red neuronal convolucional basada en texto (TextCNN). Para realizar la extracción de características de los datos de texto, se emplean los modelos TF-IDF y Word2Vec. Para lograr el mejor rendimiento del sistema en su conjunto para una recuperación y resumen de información eficientes, se emplea una estrategia de conjunto, donde las predicciones de los modelos base seleccionados se integran para impulsar la robustez de un modelo. Los resultados de rendimiento de todos los modelos se registran como prometedores. TextCNN, con una precisión del 89%, tiene un mejor rendimiento que los enfoques convencionales de aprendizaje automático, es decir, LR y DT con precisión del 85% y 77%, respectivamente. Además, el TextCNN propuesto supera a los enfoques existentes de clasificación de eventos adversos de medicamentos, logrando una precisión, recuperación y una puntuación F1 del 87%, 91% y 89%, respectivamente.