Los métodos de Machine Learning son una estrategia prometedora para facilitar la toma de decisiones en el ámbito de la personalización de tratamientos. Se entrena y evalúa el desempeño de un algoritmo de Machine Learning para la predicción de resultados en tratamientos naturalísticos. Método: Se utilizaron datos de una clínica ambulatoria en 771 pacientes con variedad diagnóstica, que completaron el Brief Symptom Inventory (BSI) como medida de resultados al inicio y final del tratamiento. Se usaron 32 medidas iniciales de los pacientes para ajustar modelos de elastic net y random forest para predecir los resultados de la terapia (BSI post-tratamiento). Se divide aleatoriamente el total de la muestra en el conjunto de entrenamiento (2/3 de los casos) y conjunto de prueba (1/3 restante de los casos). Se utiliza en ambas muestras la estrategia de validación cruzada interna leave-one-out. Resultados: El modelo con mejor ajuste fue el elastic net (RMSE = 0.83; MAE = 0.58), seleccionando 5 predictores y explicando el 29.5% de la varianza de los resultados. Al evaluar el algoritmo en el conjunto de prueba, los resultados se mantuvieron estables (R2 = 0.29). Se discutirán las implicancias clínicas y potenciales líneas futuras de investigación. Palabras clave Machine learning - Predicción de resultados - Tratamientos na- turalísticos - Personalización ABSTRACT PREDICTING INDIVIDUAL OUTCOMES IN PSYCHOTHERAPY: DEVELOPMENT OF A MACHINE LEARNING ALGORITHM Machine Learning methods are a promising strategy to facilitate decision making in the field of treatment personalization. We train and evaluate the performance of a Machine Learning algorithm for predicting naturalistic treatment outcomes. Methods: We used data from an outpatient clinic on 771 patients with diagnostic variety, who completed the Brief Symptom Inventory (BSI) as an outcome measure at baseline and end of treatment. Thirty-two baseline patient measures were used to fit elastic net and random forest models to predict therapy outcomes (posttreatment BSI). The total sample is randomly divided into training dataset (2/3 of the cases) and test dataset (remaining 1/3 of the cases). The leave-one-out internal cross-validation strategy was used in both samples. Results: The best fitting model was the elastic net (RMSE = 0.83; MAE = 0.58), selecting 5 predictors and explaining 29.5% of the variance of the results. When evaluating the algorithm on the test set, the results remained stable (R2 = 0.29). Clinical implications and potential future lines of research will be discussed. Keywords Machine learning - Results prediction - Naturalistic treatments