El presente proyecto aborda los desafíos de las historias clínicas electrónicas y sus limitaciones para apoyar la toma de decisiones clínicas. En este contexto, se propone MedGraphRAG, un sistema de recomendación y generación de alertas clínicas basado en una arquitectura GraphRAG de enfoque neuro-simbólico, que integra modelos de lenguaje de gran escala con un grafo de conocimiento construido a partir de datos clínicos reales. La propuesta combina conocimiento estructurado, embeddings biomédicos y generación de lenguaje natural para facilitar el razonamiento clínico, procurando mantener la trazabilidad y explicabilidad de las recomendaciones generadas. El sistema incorpora una representación jerárquica del conocimiento clínico, organizada en cuatro niveles de abstracción (L1–L4), que permite enriquecer los diagnósticos mediante características derivadas de datos de laboratorio (L4d) y expansión semántica generada por modelos de lenguaje (L4a). Esta representación híbrida posibilita el razonamiento multiescala y favorece la identificación de relaciones clínicamente relevantes. La evaluación, realizada mediante métricas cuantitativas, análisis estructural y validación cualitativa, evidencia la capacidad del sistema para identificar patrones clínicos significativos y producir recomendaciones interpretables. Sin embargo, se identifican limitaciones vinculadas a la dependencia de los datos de laboratorio y a la variabilidad inherente a los modelos generativos. Los resultados sugieren que GraphRAG constituye una alternativa prometedora para desarrollar sistemas de apoyo a la decisión clínica más estructurados, trazables y explicables.