La pandemia de COVID-19 destacó la importancia de la información científica validada y actualizada para ayudar a los responsables de políticas, profesionales de la salud y al público. La rapidez en la difusión de información confiable y la posterior implementación de directrices y políticas también son esenciales para salvar la mayor cantidad de vidas posible. Las directrices confiables deben basarse en una revisión sistemática de evidencia que utilice métodos analíticos reproducibles para recopilar datos secundarios y analizarlos. Sin embargo, el proceso de redacción de las directrices consume tiempo y requiere una gran cantidad de recursos. Este documento tiene como objetivo resaltar la importancia de acelerar y simplificar la extracción y síntesis de evidencia científica, específicamente dentro del proceso de revisión sistemática. Para ello, este documento describe el Proyecto COKE (Marco de Extracción de Conocimiento sobre COVID-19 para la ciencia de descubrimiento de próxima generación), que implica el uso de lectura automática y aprendizaje profundo para diseñar e implementar un sistema semiautomatizado que apoye y mejore los procesos de revisión sistemática de la literatura y redacción de directrices. Específicamente, proponemos un marco para ayudar en el proceso de selección y navegación de la literatura que emplea técnicas de procesamiento de lenguaje natural y agrupamiento para seleccionar y organizar la literatura para consulta humana, de acuerdo con los elementos PICO (Población/Problema, Intervención, Comparación y Resultado). Mostramos algunos resultados preliminares de la clasificación automática de oraciones en un conjunto de datos de resúmenes relacionados con COVID-19.