La proliferación de registros de salud electrónicos (RSE) y los avances en el aprendizaje profundo han permitido recomendaciones personalizadas de combinación de medicamentos. Sin embargo, los modelos tradicionales de aprendizaje profundo a menudo carecen de la comprensión contextual y la integración del conocimiento médico necesarios para predicciones precisas. Mientras que los enfoques basados en modelos de lenguaje grande (LLM) abordan algunos de estos desafíos, todavía no logran incorporar conocimientos médicos críticos, abordar restricciones de seguridad integrales como las contraindicaciones de medicamentos multi-enfermedades (MDC), y proporcionar una interpretabilidad suficiente de los mecanismos causales detrás de sus resultados. Para superar estas limitaciones, proponemos KELLM, un marco de trabajo LLM mejorado con conocimiento para recomendaciones de medicamentos. Al vincular entidades médicas en RSE a un grafo de conocimiento médico externo, las entradas se enriquecen con cadenas causales, mejorando tanto la precisión de la predicción como la interpretabilidad. Además, presentamos un modelo LLaMA con ajuste fino diseñado para clasificación multi-etiqueta, que incorpora consideraciones de seguridad como interacciones medicamentosas (DDIs) y MDC para garantizar recomendaciones clínicamente precisas y seguras. Los resultados experimentales muestran que KELLM logra un rendimiento de vanguardia en métricas de efectividad y seguridad, al tiempo que proporciona información basada en evidencia a través de cadenas causales que clarifican su proceso de razonamiento. Esto establece un nuevo punto de referencia para recomendaciones de combinación de medicamentos confiables e interpretables.