Objetivo: En este estudio se desarrollaron y evaluaron algoritmos para predecir la relevancia individual de dos procesos psicoterapéuticos de cambio (experiencias de dominio y clarificación). Métodos: Durante las primeras diez sesiones de terapia integrativa, en una muestra de paciente con variedad diagnóstica (n=608), se midieron variables de proceso y resultados. Luego se estimaron los efectos individuales de los procesos de cambio en cada paciente. A partir de las características de los pacientes al principio de la terapia, se entrenaron algoritmos de machine learning en una submuestra seleccionada aleatoriamente (n= 407) buscando predecir los efectos de las variables de proceso sobre los resultados. Posteriormente, se evalúo el rendimiento del mejor algoritmo en una submuestra independiente (n= 201). Resultados: Las estrategias de dominio y clarificación se asociaron significativamente a los resultados de la terapia, y los algoritmos de elastic net fueron los mejores para predecir sus efectos. En la submuestra independiente, se observaron correlaciones significativas entre la relevancia prevista y la observada para ambos procesos. Mediante el algoritmo se pudieron crear criterios de recomendaciones individuales. Conclusiones: Los resultados sugieren la viabilidad de realizar predicciones individuales de la relevancia de procesos psicoterapéuticos que pueden ser útiles para otorgar recomendaciones clínicas a los terapeutas. Palabras clave Machine learning - Predicción de resultados - Procesos de cam- bio - Mecanismos de cambio ABSTRACT USING MACHINE LEARNING ALGORITHMS TO PREDICT THE EFFECTS OF CHANGE MECHANISMS IN PSYCHOTHERAPY Objective: In this study, algorithms were developed and evaluated to predict the individual relevance of two psychotherapeutic change processes (mastery and clarification experiences). Methods: During the first ten sessions of integrative therapy, in a sample of patients (n=608), process and outcome variables were measured. The individual effects of the change processes in each patient were then estimated. Based on the characteristics of the patients at the beginning of the therapy, machine learning algorithms were machine learning algorithms were trained on a randomly selected subsample (n= 407) to predict the effects of process variables on outcomes. Subsequently, the performance of the best algorithm was evaluated on an independent subsample (n= 201). Results: Dominance and clarification strategies were significantly associated with therapy outcomes, and elastic net algorithms were the best at predicting their effects. In the independent subsample, significant correlations between relevance and significant correlations between predicted and observed relevance were observed for both processes. Using the algorithm, individual recommendation criteria could be created. Conclusions: The results suggest the feasibility of making individual predictions of the relevance of psychotherapeutic processes that may be useful for granting clinical recommendations to therapists. Keywords Machine learning - Outcome prediction - Processes and mecha-