Investigamos si un grafo de conocimiento (KG) de tipo ontológico puede mejorar la generación de notas SOAP a partir de transcripciones de encuentros entre clínicos y pacientes, sirviendo como una representación intermedia estructurada que organiza el contenido clínicamente relevante mientras preserva la procedencia. Introducimos el Sistema de Salida Médica Soportado por Ontología de Grafo de Conocimiento (KOSMOS), que extrae entidades clínicas tipificadas con atributos y relaciones, fundamenta las entidades en conceptos UMLS y un esquema, y retiene enlaces a turnos de transcripción de apoyo. El grafo resultante se proporciona como contexto para la generación de SOAP basada en modelos de lenguaje grande (LLM), ya sea solo (solo KG) o combinado con la transcripción original (Transcripción + Nodos, Transcripción + KG). Evaluamos estas condiciones contra las líneas base de DocLens y Ambient Clinical Intelligence Benchmark (ACI-BENCH) en sus análisis de referencia, reclamos y citas. En los tres conjuntos de pruebas, las variantes de KOSMOS que incluyen transcripciones logran las puntuaciones más altas, superando numéricamente las líneas base solo de transcripción. La evaluación a nivel de reclamos muestra ganancias modestas y no significativas en la recuperación para Transcripción + Nodos y baja alucinación bajo GPT-5.2 condicionado por transcripción, mientras que el análisis de citas muestra una ganancia de precisión de aproximadamente el 3% para KOSMOS (Transcripción + KG) sobre DocLens GPT-5.2. En general, la estructura de KG guiada por ontología parece ser más beneficiosa como un andamiaje complementario emparejado con el acceso a la transcripción, mientras que las relaciones proporcionan un beneficio adicional limitado bajo la calidad de extracción actual.