Identificar y clasificar nodos influyentes es fundamental para tareas como la inmunización dirigida, el control de la desinformación y el diseño resiliente. La entropía estructural (EE) ofrece una regla de puntuación fundamentada y consciente de la comunidad, sin embargo, el uso estático de la EE puede volverse subóptimo después de cada intervención, ya que la topología residual y su estructura modular cambian. Introducimos la entropía estructural iterativa (EEI), una modificación simple pero poderosa que recalcula la EE en el grafo residual antes de cada eliminación, convirtiendo así el objetivo de nodos en una política secuencial impulsada por retroalimentación. Evaluamos la EE y la EEI en siete redes de referencia utilizando (i) entropía estructural acumulativa (EEC), (ii) suma acumulativa de los tamaños de los componentes conectados más grandes (CCCs), y (iii) paneles dinámicos que rastrean la longitud promedio del camino más corto y el diámetro dentro del CCC residual junto con un proxy de percolación cercano al umbral (tamaño esperado del brote). A través de los conjuntos de datos, la EEI fragmenta de manera consistente antes y de forma más decisiva que la EE; en la red Netscience, la EEI reduce el tamaño acumulativo del CCC en un 43% (RCCs =0.567). Paralelamente, la EEI logra una discriminación perfecta (monotonía M=1.0) entre los nodos puntuados positivamente en todos los benchmarks, mientras que la EE y las líneas base basadas en el grado muestran empates dependientes del método. Estos resultados apoyan la EEI como una alternativa práctica y adaptativa a la EE estática cuando las decisiones secuenciales son importantes, proporcionando clasificaciones más precisas y una degradación estructural más rápida bajo protocolos de medición idénticos.