En este trabajo desarrollamos y evaluamos un algoritmo de Machine Learning para la predicción de resultados en tratamientos psicoterapéuticos naturalísticos. Método: Se utilizaron datos de una clínica ambulatoria en 483 pacientes con variedad diagnóstica, que completaron el Brief Symptom Inventory (BSI) como medida de resultados al inicio y final del tratamiento. Usando variables iniciales de tipo demográficas y clínicas de los pacientes se ajustó un Modelo de Elastic Net para predecir los resultados de la terapia (BSI post-tratamiento). Se usaron estrategias de validación cruzada tanto para el entrenamiento del algoritmo como para su evaluación. Se entrenó el algoritmo con una muestra seleccionada aleatoriamente (2/3 de los casos), probando diferentes alfas (a) y lambdas (?) para identificar las variables iniciales que mejor predecían la severidad final. Luego, se validó el algoritmo en una muestra de prueba (1/3 restante de los casos). Resultados: El modelo con mejor ajuste utilizó parámetros a = 0.55 y ? = 0.041, seleccionando 31 predictores y explicando el 23% de la varianza de los resultados. Al testear el algoritmo en una muestra diferente, los resultados se mantuvieron estables, explicando nuevamente un 23% de la varianza. Se discutirán las implicancias clínicas y potenciales líneas futuras de investigación. Palabras clave Variables de base - Machine learning - Resultados de tratamien- to - Variables predictoras ABSTRACT IDENTIFICATION OF PREDICTORS OF PSYCHOTHERAPEUTIC TREATMENT OUTCOMES: DEVELOPMENT OF A MACHINE LEARNING ALGORITHM In this work we developed and evaluated a Machine Learning algorithm for the prediction of outcomes in naturalistic psychotherapeutic treatments. Methods: We used data from an outpatient clinic in 483 patients with diagnostic variety, who completed the Brief Symptom Inventory (BSI) as an outcome measure at the beginning and end of treatment. Using baseline patient demographic and clinical variables, an Elastic Net Model was fitted to predict therapy outcomes (post-treatment BSI). Crossvalidation strategies were used for both algorithm training and evaluation. The algorithm was trained with a randomly selected sample (2/3 of the cases), testing different alphas (a) and lambdas (?) to identify the initial variables that best predicted final severity. Then, the algorithm was validated on a test sample (1/3 of the cases). Results: The best fitting model used parameters a = 0.55 and ? = 0.041, selecting 31 predictors and explaining 23% of the variance of the results. When testing the algorithm on a different sample, the results remained stable, again explaining 23% of the variance. Clinical implications and potential future lines of research will be discussed. Keywords Baseline variables - Machine learning - Treatment outcomes -