Die Persistierende Depressive Störung (PDD) betrifft schätzungsweise ein Drittel aller PatientInnen mit einer depressiven Störung und beeinträchtigt gravierend ihre Lebensqualität sowie sozialen und emotionalen Kompetenzen. Trotz zahlreicher verfügbarer Behandlungsmöglichkeiten sind die Ansprech- und Remissionsraten bei PatientInnen mit PDD im Allgemeinen gering, wobei die Wirksamkeit der verschiedenen Behandlungen interindividuell stark variiert. Bislang wurde relativ wenig erforscht und verstanden, welche PatientInnen mit PDD von welchen psychotherapeutischen oder pharmakotherapeutischen Behandlungen profitieren, was den Fortschritt in der Behandlung dieser tückischen Erkrankung weitestgehend gebremst hat. Der Ansatz der sogenannten personalisierten Medizin zielt darauf ab, die für PatientInnen individuell vielversprechendste Behandlung auszuloten, indem ihre Charakteristika, die vor dem Behandlungsbeginn erhoben werden, zur statistischen Vorhersage des Behandlungserfolges verwendet werden. Der vorliegende Artikel gibt einen Überblick über ältere und neuere Sekundäranalysen, die der Frage nachgingen, welche Subgruppen von PatientInnen mit PDD, basierend auf ihren Ausgangscharakteristika, eher von bestimmten Behandlungen im Vergleich zu anderen profitieren. Insgesamt zeichnet sich in der Literatur eine Entwicklung von der hypothesengeleiteten Untersuchung einzelner Ausgangscharakteristika hin zur explorativen Subgruppenidentifikation auf Basis multivariabler statistischer Ansätze, die auf maschinellem Lernen beruhen, ab. Abschließend werden mögliche zukünftige Trends und offene Fragen hinsichtlich der Weiterentwicklung der personalisierten Medizin im Bereich der Forschung sowie ihrer Implementierung innerhalb der klinischen Praxis diskutiert.