A pesar de las excelentes capacidades de generalización de los modelos de lenguaje a gran escala (LLMs), sus severas limitaciones, como ilusiones, falta de conocimiento específico del dominio y ambigüedad en el proceso de razonamiento, desafían su aplicación directa en sistemas de apoyo a decisiones clínicas (CDSSs). Para abordar estos desafíos, este estudio propone un modelo conjunto sinérgico que integra grafos de conocimiento (KGs) y LLMs para mejorar el conocimiento específico del dominio y mejorar la explicabilidad en CDSSs. El modelo propuesto aprovecha los KGs para proporcionar ideas estructuradas y específicas del dominio, al mismo tiempo que utiliza las capacidades generativas de los LLMs para extraer, refinar y expandir dinámicamente el conocimiento médico. Esta interacción bidireccional garantiza que las recomendaciones de CDSS sigan siendo clínicamente precisas y contextualmente completas. La evaluación del rendimiento del modelo conjunto para tareas de etiología de la salud mental, detección de estrés y reconocimiento de emociones del CDSS mostró un aumento de hasta un 12.0% en precisión y un 8.6% en la puntuación F1 en comparación con el modelo LLM independiente, con mejoras significativas adicionales al usar el modelo con conocimiento del dominio médico. Por lo tanto, el conocimiento del dominio confiable y actualizado obtenido a través del modelo conjunto no solo mejora el rendimiento de la tarea del CDSS, sino que también proporciona evidencia directa de cómo se tomaron tales decisiones. Estos hallazgos validan la amplia aplicabilidad y efectividad de nuestro modelo conjunto KG-LLM, destacando su potencial en escenarios reales de apoyo a decisiones clínicas.