Los problemas de diagnóstico de los signos de preeclampsia se basan principalmente en datos de síntomas con características de datos recopilados periódicamente en opiniones inciertas, ambiguas y de obstetras. Para reducir los efectos de la preeclampsia, muchos estudios han investigado la enfermedad, la prevención y las complicaciones. Las técnicas convencionales de inferencia difusa pueden resolver varios problemas de diagnóstico en salud, como los sistemas de inferencia difusa (FIS) y los sistemas de inferencia difusa complejos de Mamdani con reducción de reglas (M-CFIS-R); sin embargo, el tiempo de computación es bastante alto. Recientemente, se ha propuesto la dirección de investigación de la inferencia aproximada basada en el gráfico de conocimiento difuso (FKG) en el modelo M-CFIS-FKG con la combinación de regímenes en medicina tradicional y datos subclínicos recopilados de registros médicos. El artículo ha presentado un modelo propuesto de FKG-Pairs3 para apoyar el diagnóstico de enfermedades de los pacientes, junto con las preferencias de los médicos en la toma de decisiones. El modelo propuesto se ha implementado en aplicaciones del mundo real para el diagnóstico de enfermedades en medicina tradicional basado en conjuntos de datos de entrada con información vaga, cuantificada por las preferencias del médico. Para validar el modelo propuesto, se ha probado en un estudio de caso del mundo real sobre los signos de preeclampsia en un hospital para el diagnóstico de enfermedades con el enfoque de medicina tradicional. Los resultados experimentales muestran que el modelo propuesto ha demostrado la efectividad del modelo en la toma de decisiones sobre los signos de preeclampsia.