Die Behandlung von Patienten mit Tumoren im Kopf-Hals-Bereich gestaltet sich als komplexer und herausfordernder Prozess sowohl für den Patienten als auch für die behandelnden Ärzte und Chirurgen. Zur Gewährleistung der bestmöglichen individuellen Therapie werden vor Beginn der Behandlung zahlreiche diagnostische Verfahren durchgeführt. Hierzu zählen unter anderem medizinische bildgebende Verfahren wie z.B. Computertomographie (CT) oder Magnetresonanztomographie (MRT) sowie die Entnahme von tumorverdächtigem Gewebe während einer Panendoskopie zur exakten Bestimmung der Tumorart (Histologie, Grading, TNM-Klassifikation nach UICC, genaue Lokalisation des Primärtumors, der lokoregionären Metastasen und ggf. Fernmetastasen). Die gewonnenen Informationen bilden anschließend die Grundlage für die Entscheidung über die durchzuführende Therapie und stehen in unterschiedlichen klinischen Informationssystemen sowie auf Papierakten zur Verfügung. Leider werden die Daten im klinischen Alltag häufig nur unstrukturiert und schwer auffindbar präsentiert, da die führenden Informationssysteme nur unzureichend in den klinischen Arbeitsprozess integriert und untereinander schlecht vernetzt sind. Die präzise und erschöpfende Darstellung der jeweiligen individuellen Situation und die darauf aufbauende Therapieentscheidung sind aber entscheidend für die Prognose des Patienten, da der erste, gut geplante \"Schuss\" entscheidend für den weiteren Verlauf ist und nicht mehr korrigiert werden kann. In dieser Arbeit werden neue Konzepte zur Verbesserung des Informationsmanagements im Bereich der Kopf-Hals-Tumorbehandlung entwickelt, als prototypische Software implementiert und im klinischen Alltag in verschiedenen Studien wissenschaftlich evaluiert. Die Erlangung eines tiefgreifenden Verständnisses über die klinischen Abläufe sowie über beteiligte Informationssysteme und Datenflüsse stellte den ersten Teil der Arbeit dar. Aufbauend auf den Erkenntnissen wurde ein klinisches Informationssystem oncoflow entwickelt. Oncoflow importiert vollautomatisch relevante Patientendaten von verschiedenen klinischen Informationssystemen, restrukturiert die Daten und unterstützt Ärzte und Chirurgen im gesamten Therapieprozess. Das System wurde anschließend in unterschiedlichen Studien evaluiert und der klinische Nutzen in Bezug auf effizientere Arbeitsabläufe und eine verbesserte Informationsqualität gezeigt. Im folgenden Teil der Arbeit wurden Machine Learning Methoden genutzt um von Daten in der elektronischen Patientenakte auf den aktuellen Prozessschritt im Therapieprozess zu schließen. Der letzte Teil der Arbeit zeigt Möglichkeiten zur Erweiterung des Systems zur Nutzung in weiteren klinischen Fachdisziplinen auf.