La salud mental de precisión busca personalizar los tratamientos para reducir riesgos y costos, utilizando la predicción de resultados como herramienta para decisiones clínicas basadas en datos. Aunque diversos estudios han explorado la relación entre variables iniciales y resultados psicoterapéuticos, hay poca claridad sobre su capacidad predictiva general. Este proyecto propone una revisión sistemática y meta-análisis para evaluar hasta qué punto los resultados psicoterapéuticos pueden predecirse a partir de características iniciales del paciente. Se incluirán estudios con población adulta que utilicen variables clínicas, sociodemográficas, farmacológicas y/o biológicas previas al tratamiento, que reporten métricas como R² o AUC, publicados en PubMed, Scopus, Web-of-Science o PsycNET. Se propone un enfoque semi-automatizado mediante ASReview, combinando Inteligencia Artificial con revisión humana iterativa. El modelo será reentrenado semanalmente y el acuerdo entre revisores se medirá con el coeficiente Kappa de Cohen. Se analizará el riesgo de sesgo con la guía PROBAST. Los datos se sintetizarán mediante modelos de efectos aleatorios multivariados, transformando los tamaños de efecto a r o d de Cohen, y se explorarán moderadores como el tipo de estudio, número y tipo de predictores. Este trabajo busca clarificar la utilidad clínica de los datos iniciales en la predicción de resultados terapéuticos. Palabras clave Predicción de resultados - Revisión sistemática - Meta-análisis - Variables pre-tratamiento ABSTRACT HOW WELL CAN WE PREDICT PSYCHOTHERAPY OUTCOME BASED ON PATIENTS’ BASELINE CHARACTERISTICS? A SYSTEMATIC REVIEW AND META-ANALYSIS Precision mental health aims to personalize treatments to reduce risks and costs, using outcome prediction as a tool for data-driven clinical decisions. Although many studies have examined the relationship between baseline variables and psychotherapeutic outcomes, there is little clarity about their overall predictive utility. This study proposes a systematic review and meta-analysis to assess the extent to which psychotherapeutic outcomes can be predicted from baseline patient characteristics. Studies with adult population using pre-treatment clinical, sociodemographic, pharmacological and/or biological variables, reporting metrics such as R² or AUC, published in PubMed, Scopus,Web-of-Science or PsycNET will be included. A semi-automated approach using ASReview is proposed, combining Artificial Intelligence with iterative human review. The model will be retrained weekly and inter-reviewer agreement will be measured with Cohen’s Kappa coefficient. Risk of bias will be analyzed with the PROBAST guide. Data will be synthesized using multivariate random effects models, transforming effect sizes to Cohen’s r or d, and moderators such as study type, number and type of predictors will be explored. This work aims to clarify the clinical utility of baseline data in predicting therapeutic outcomes. Keywords Outcome prediction - Systematic review - Meta-analysis - Pre-