Introducción: La personalización del tratamiento es una tendencia creciente en la investigación psicoterapéutica. Su principal objetivo es establecer el abordaje más adecuado para cada paciente, basándose en características individuales más allá del diagnóstico. A partir de esta información, el uso de estrategias analíticas como el machine learning han permitido desarrollar modelos predictivos para informar a los terapeutas y proporcionar recomendaciones iniciales, apoyadas en evidencias empíricas. Objetivos: Este proyecto tiene como objetivo identificar a los pacientes deprimidos para los que la regulación emocional opera como un mecanismo de cambio; mediante el desarrollo de un algoritmo de predicción individualizada, utilizando machine learning. Métodos: Recogeremos una muestra de 317 pacientes, ingresados consecutivamente en un centro de psicoterapia. Utilizaremos dos fuentes de información como predictores para el algoritmo. En primer lugar, los resultados de los instrumentos completados por los pacientes al inicio del estudio. En segundo lugar, la información recogida en el formulario de admisión cumplimentado por los terapeutas que realizarán las entrevistas diagnósticas con los pacientes. La regulación emocional y la gravedad clínica se medirán tanto al inicio como repetidamente a lo largo del tratamiento. Entrenaremos algoritmos LASSO, Random Forest y Redes Neuronales, entre otros. Palabras clave Depresión - Regulación emocional - Personalización de trata- miento - Machine Learning ABSTRACT TREATMENT PERSONALIZATION IN PSYCHOTHERAPY FOR DEPRESSION: IDENTIFYING PATIENTS IN WHICH EMOTIONAL REGULATION OPERATES AS A MECHANISM OF CHANGE Introduction: Treatment personalization is a growing trend in psychotherapy research. Its main aim is to establish the most appropriate approach for each patient, based on individual characteristics beyond diagnosis. Research on this topic has mainly been focused on making clinical predictions, before starting treatment, using information collected during patients’ admission process.The use of analytical strategies such as machine learning have allowed the development of predictive models to inform therapists and provide initial recommendations, supported by empirical evidence. Aims & Methods: This project aims to identify patients with depression in which emotional regulation operates as a mechanism of change; by developing an individualized prediction algorithm, using machine learning. We will collect a sample of 317 patients, consecutively admitted to a psychotherapy center. We will use two sources of information as predictors for the algorithm. First, results of instruments completed by patients before starting treatment, namely: (a) Beck Depression Inventory (BDI-II), (b) Symptom Checklist 90 (SCL-90), (c) Inventory of Interpersonal Problems (IIP), and (d) Difficulties in Emotion Regulation Scale (DERS), to assess depression, clinical severity, interpersonal problems, and emotional regulation, respectively. Second, information collected in the admission form completed by therapists who will conduct the diagnostic interview with each patient. Keywords Depression - Emotional regulation - Treatment personalization