從以這種方式獲得的 18000 多個語音樣本中，研究人員分析發現了在非糖尿病人和 2 型糖尿病人之間存在明顯差異的 14 個聲學特徵。 該研究的主要作者、Klick Labs 研究員 Jaycee Kaufman 表示：「當前的糖尿病檢測方法可能需要花費大量的時間、交通成本和就診費用。語音技術具有完全消除這些障礙的潛力。」
未來，Klick Labs 團隊希望繼續進行研究，看看高血壓和糖尿病前期等其他疾病是否也可以通過語音檢測來進行診斷。
語音頻率分析的風險
將語音分析作為診斷工具的支持者經常會強調使用語音診斷疾病的速度和效率。
然而即使人工智慧支持的工具已經提供了非常精確的信息，一些語音樣本也不足以真正做出有根據的診斷。假陽性結果和過度診斷的風險也仍然很高。最終還是需要由專業的醫生來親自進行確診。
提供線索而非醫學診斷
這一原則顯然也適用於精神類疾病。聲音的音調可能表明他患有憂鬱症，但只有對這個人進行徹底檢查才能真正弄清楚。
盡管人工智慧可以使用語音分析來檢測比如一個人說話是否以比平時更加邏輯混亂或是更急促了，但這是否真的與注意力缺陷多動障礙（ADHD）有關，只能由醫療專業人員來做出診斷。
無法排除濫用風險
批評者和數據保護倡導者也一再指出，使用語音分析時存在巨大的濫用風險，例如雇主或健康保險呼叫中心的濫用。存在未經明確同意而使用語音分析系統的風險，並且客戶或員工可能會因個人健康信息而處於不利地位。
同樣，敏感的醫療信息可能更容易被洩露、遭到黑客攻擊、被出售或以其他方式濫用。說到底，能夠為語音分析作為診斷工具制定明確規定和限制的並不是科學界，而是政界。
