Existe una preocupación significativa de salud pública con respecto a los errores en el diagnóstico médico, que son una causa importante de mortalidad. Identificar la causa raíz de estos errores es un desafío, y aunque se identifique una, implementar un tratamiento efectivo para prevenir su recurrencia es difícil. El análisis basado en la optimización en la gestión de datos de salud es un método confiable para mejorar la precisión diagnóstica. Analizar datos de salud requiere una preclasificación y la identificación de información precisa para resultados orientados a la precisión. Este artículo presenta un método de Procesamiento Trivial de Estados Cooperativos Difusos para un análisis significativo de datos con posibles derivadas. El Procesamiento Trivial de Estados Difusos opera sobre el principio de procesamiento basado en lógica difusa aplicado a datos estructurados de salud, centrándose en mitigar errores e incertidumbres inherentes en los datos. Las derivadas son ayudadas mediante la identificación y agrupación de datos relacionados con el diagnóstico y irrelevantes. El método propuesto mitiga problemas de análisis de derivadas invertibles en agrupaciones de datos similares y estimación de irrelevancia. En el proceso de agrupación y detección, se explota el conocimiento reciente de la progresión del diagnóstico para identificar los datos funcionales para el análisis. Dicho análisis mejora el impacto de los datos de diagnóstico triviales en comparación con un historial de diagnóstico voluminoso. Los estados de derivada cooperativa bajo diferentes factores de irrelevancia de datos reducen los errores de estado trivial en el análisis de grandes datos de salud.